Техническое задание.

Инвесторы из фонда «Shut Up and Take My Money» решили попробовать себя в новой области и открыть заведение общественного питания в Москве. Заказчики ещё не знают, что это будет за место: кафе, ресторан, пиццерия, паб или бар, — и какими будут расположение, меню и цены. Для начала они просят вас — аналитика — подготовить исследование рынка Москвы, найти интересные особенности и презентовать полученные результаты, которые в будущем помогут в выборе подходящего инвесторам места. Постарайтесь сделать презентацию информативной и лаконичной. Её структура и оформление сильно влияют на восприятие информации читателями вашего исследования. Выбирать инструменты (matplotlib, seaborn и другие) и типы визуализаций вы можете самостоятельно. Вам доступен датасет с заведениями общественного питания Москвы, составленный на основе данных сервисов Яндекс Карты и Яндекс Бизнес на лето 2022 года. Информация, размещённая в сервисе Яндекс Бизнес, могла быть добавлена пользователями или найдена в общедоступных источниках. Она носит исключительно справочный характер.

Исследование рынка заведений общественного питания города Москвы.

Введение. Знакомство с проектом.

Цель проекта.

Произвести анализ рынка предприятий общественного питания города Москва на предмет наличия мест в городе, подходящих для открытия потенциально прибылных точки или точек общественного питания. Сделать прогноз типа предприятия общественного питания, способного приносить прибыль в нынешних условиях города. При проведении исследования учесть популярный тренд открытия кофейни.

Описание данных.

В файле, предоставленном для исследования (информация с заведениями общественного питания Москвы), содержатся следующие данные:

• name — название заведения;
• address — адрес заведения;
• category — категория заведения, например «кафе», «пиццерия» или «кофейня»;
• hours — информация о днях и часах работы;
• lat — широта географической точки, в которой находится заведение;
• lng — долгота географической точки, в которой находится заведение;
• rating — рейтинг заведения по оценкам пользователей в Яндекс Картах (высшая оценка — 5.0);
• price — категория цен в заведении, например «средние», «ниже среднего», «выше среднего» и так далее;
• avg_bill — строка, которая хранит среднюю стоимость заказа в виде диапазона, например: «Средний счёт: 1000–1500 ₽»; «Цена чашки капучино: 130–220 ₽»; «Цена бокала пива: 400–600 ₽». и так далее;
• middle_avg_bill — число с оценкой среднего чека, которое указано только для значений из столбца avg_bill, начинающихся с подстроки «Средний счёт»: Если в строке указан ценовой диапазон из двух значений, в столбец войдёт медиана этих двух значений. Если в строке указано одно число — цена без диапазона, то в столбец войдёт это число. Если значения нет или оно не начинается с подстроки «Средний счёт», то в столбец ничего не войдёт.
• middle_coffee_cup — число с оценкой одной чашки капучино, которое указано только для значений из столбца avg_bill, начинающихся с подстроки «Цена одной чашки капучино»: Если в строке указан ценовой диапазон из двух значений, в столбец войдёт медиана этих двух значений. Если в строке указано одно число — цена без диапазона, то в столбец войдёт это число. Если значения нет или оно не начинается с подстроки «Цена одной чашки капучино», то в столбец ничего не войдёт.
• chain — число, выраженное 0 или 1, которое показывает, является ли заведение сетевым (для маленьких сетей могут встречаться ошибки): 0 — заведение не является сетевым 1 — заведение является сетевым
• district — административный район, в котором находится заведение, например Центральный административный округ;
• seats — количество посадочных мест.

План работы.

Часть 1. Изучение общей информации о предоставленных данных. Подготовка данных для последующей обработки.

• Открываем файл с данными для изучиения общей информации.
• Подготавливаем данные к последующей обработке.
• Изучаем и проверяем данные.

Общие выводы по разделу.

Часть 2. Анализ данных.

Производим исследовательский анализ данных с визуализациями.

• Распределение заведений по категориям
• Распределение посадочных мест.
• Распределение заведений на сетевые и не сетевые. Определение ТОП-15 сетей в Москве.
• Распределение категорий заведений по округам.
• Визуализация распределения средних рейтингов заведений и средних чеков заведений.
• Определение ТОП-15 улиц по количеству заведений.
• Определение улиц с единственным заведением.

Общие выводы по разделу.

Часть 3. Детализация исследования под конкретную задачу - открытие кофейни.

Детализируем исследование: открытие кофейни.

• Количество кофеен в данных;
• Распределение кофеен по округам;
• Режим работы кофеен;
• Рейтинг и стоимостьчашки кавучино.

Общие выводы по разделу.

Общие выводы по проекту и презентация для инвесторов.

• Общие выводы
• Презентация для инвесторов.

Часть 1. Изучение общей информации о предоставленных данных. Подготовка данных для последующей обработки.

Подготовим данные для обработки.

# импортируем необходимые для работы библиотеки
import pandas as pd
import matplotlib.pyplot as plt
%matplotlib inline
%config InlineBackend.figure_format='retina'
import seaborn as sns
import numpy as np
from scipy import stats as st
from datetime import datetime, timedelta
import math as mth
from plotly import graph_objects as go
import plotly.express as px

# откроем файл с данными
msc_pl = pd.read_csv('/datasets/moscow_places.csv')

msc_pl.head()
   

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	Четыре комнаты	ресторан	Москва, улица Дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	Хазри	кафе	Москва, Клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	Иль Марко	пиццерия	Москва, Правобережная улица, 1Б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

#msc_pl.isna().sum()

display(f'Количество дубликатов: {msc_pl.duplicated().sum()}')

'Количество дубликатов: 0'

#выполним поиск дубликатов по полю "название заведения"
display(msc_pl['name'].duplicated().sum())

2792

display(msc_pl['name'].value_counts().head())

Кафе                189
Шоколадница         120
Домино'с Пицца       76
Додо Пицца           74
One Price Coffee     71
Name: name, dtype: int64

#выполним поиск дубликатов по полю "адрес"
display(msc_pl['address'].duplicated().sum())

2653

display(msc_pl['address'].value_counts().head())

Москва, проспект Вернадского, 86В       28
Москва, Усачёва улица, 26               26
Москва, Ярцевская улица, 19             20
Москва, площадь Киевского Вокзала, 2    20
Москва, Хорошёвское шоссе, 27           16
Name: address, dtype: int64

# приведём столбцы с названием и адресом к нижнему регистру
msc_pl['name'] = msc_pl['name'].str.lower()
msc_pl['address'] = msc_pl['address'].str.lower()
msc_pl.head()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	wowфли	кафе	москва, улица дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN
1	четыре комнаты	ресторан	москва, улица дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0
2	хазри	кафе	москва, клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0
3	dormouse coffee shop	кофейня	москва, улица маршала федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN
4	иль марко	пиццерия	москва, правобережная улица, 1б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0

# после проведённых манипуляций проверим количество полных дубликатов
display(f'Количество дубликатов: {msc_pl.duplicated().sum()}')

'Количество дубликатов: 0'

# проверим неявные дубликаты по четырём параметрам: названию и адресу
duplicateRows = msc_pl[msc_pl.duplicated(['name','address'])]
display(duplicateRows)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
215	кафе	кафе	москва, парк ангарские пруды	Северный административный округ	ежедневно, 10:00–22:00	55.881438	37.531848	3.2	NaN	NaN	NaN	NaN	0	NaN
1511	more poke	ресторан	москва, волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00...	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0
2420	раковарня клешни и хвосты	бар,паб	москва, проспект мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00...	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	1	150.0
3109	хлеб да выпечка	кафе	москва, ярцевская улица, 19	Западный административный округ	NaN	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	0	276.0

# проверим неявные дубликаты по четырём параметрам: названию, адресу. широте и долготе
duplicateRows = msc_pl[msc_pl.duplicated(['name','address','lat','lng'])]
display(duplicateRows)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1511	more poke	ресторан	москва, волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00...	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	1	188.0

Вывод: Явные дубликаты в данных отсутствуют. При проверке неявных дубликатов выяснено, что по полю "название заведения" дубликатов 2792; по полю "адрес" дубликатов 2653. Выдвинем предположение, что это сетевые заведения (или заведения из категории кафе без особого названия - просто "кафе") и скопления заведений на фудкортах в торговых центрах. Предположения проверим в ходе дальнейшего анализа. Обрабатывать эти дубликаты не будем. После приведения двух столбцов к нижнему регистру по параметрам названия и адреса выявлено 4 неявных дубликата. При проверке по четырём параметрам количество неявных дубликатов сократилось до 1. Такое количество неявных дубликатов - менее 0,1% не критично для последующего анализа данных.

Выполним предобработку данных.

Создадим столбец street с названиями улиц из столбца с адресом.

# создадим функцию для извлечения из столбца названия улицы
def street_extraction(row):
    address = row['address'].split(', ')
    street = address[1]
    return street
# проверим работу функции на фрагменте данных
test = msc_pl.sample(10)
test['street'] = test.apply(street_extraction, axis=1)

display(test)

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street
4174	пескаторе	ресторан	москва, берсеневская набережная, 16с9	Центральный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00...	55.743120	37.610142	4.5	высокие	Средний счёт:от 5000 ₽	5000.0	NaN	0	NaN	берсеневская набережная
3569	littles kids play cafe	ресторан	москва, улица сергея макеева, 9, корп. 1	Центральный административный округ	ежедневно, 09:00–22:00	55.760674	37.550021	4.5	выше среднего	Средний счёт:до 1500 ₽	1500.0	NaN	0	60.0	улица сергея макеева
1396	zамания	пиццерия	москва, ходынский бульвар, 4	Северный административный округ	пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00...	55.789936	37.527732	5.0	NaN	NaN	NaN	NaN	1	100.0	ходынский бульвар
4250	харбин	ресторан	москва, улица большая якиманка, 56	Центральный административный округ	ежедневно, 11:30–23:00	55.731151	37.611715	4.6	NaN	NaN	NaN	NaN	0	28.0	улица большая якиманка
3462	uhvat	ресторан	москва, рочдельская улица, 15с41	Центральный административный округ	ежедневно, 12:00–00:00	55.755983	37.561909	4.7	высокие	Средний счёт:3000–5000 ₽	4000.0	NaN	0	NaN	рочдельская улица
5715	биродром	бар,паб	москва, мичуринский проспект, 8, стр. 2	Западный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–02:00; вс 12:00...	55.705858	37.510879	4.5	NaN	NaN	NaN	NaN	0	200.0	мичуринский проспект
777	one&double	кофейня	москва, коровинское шоссе, 1а	Северный административный округ	ежедневно, 07:00–22:00	55.864742	37.545077	4.4	NaN	NaN	NaN	NaN	1	45.0	коровинское шоссе
4158	топ chick	быстрое питание	москва, улица можайский вал, 10	Западный административный округ	ежедневно, 08:00–20:00	55.742567	37.554037	4.4	средние	Средний счёт:150–500 ₽	325.0	NaN	1	NaN	улица можайский вал
6872	итальянский ресторан dapino	пиццерия	москва, улица намёткина, 11	Юго-Западный административный округ	ежедневно, 12:00–23:00	55.663084	37.553631	4.4	выше среднего	Средний счёт:1000–1500 ₽	1250.0	NaN	1	160.0	улица намёткина
2732	cofefest	кофейня	москва, байкальская улица, 28	Восточный административный округ	пн-пт 08:00–19:00	55.816556	37.803012	4.2	NaN	NaN	NaN	NaN	1	NaN	байкальская улица

# пройдёмся функцией по всей таблице
msc_pl['street'] = msc_pl.apply(street_extraction, axis=1)
#msc_pl.head()

Создадим столбец is_24/7 с обозначением, что заведение работает ежедневно и круглосуточно (24/7).

# создадим столбец с информацией о заведениях, работающих круглосуточно
msc_pl['hours'].value_counts()
msc_pl['is_24_7'] = np.where(msc_pl['hours'].str.contains("ежедневно, круглосуточно"), 1, 0)
msc_pl.head()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
0	wowфли	кафе	москва, улица дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	улица дыбенко	0
1	четыре комнаты	ресторан	москва, улица дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица дыбенко	0
2	хазри	кафе	москва, клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	клязьминская улица	0
3	dormouse coffee shop	кофейня	москва, улица маршала федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица маршала федоренко	0
4	иль марко	пиццерия	москва, правобережная улица, 1б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	правобережная улица	0

display(msc_pl['name'].duplicated().sum())

2894

# Посмотрим на пропуски и их процентное соотношение.
temp = msc_pl.copy() 
list_c = ['name', 'category', 'address', 'district', 'hours','lat','lng',\
          'rating','price','avg_bill','middle_avg_bill','middle_coffee_cup',\
          'chain','seats','street','is_24_7']
print(temp.info())
for col_l in list_c:
  print('-'* 25)
  print(col_l, temp[col_l].sort_values().unique())
  print(col_l,': кол-во NaN',temp[col_l].isna().sum(),
        ', процент NaN', round(temp[col_l].isna().sum()/len(temp)*100, 2),'%')

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
 14  street             8406 non-null   object 
 15  is_24_7            8406 non-null   int64  
dtypes: float64(6), int64(2), object(8)
memory usage: 1.0+ MB
None
-------------------------
name ['#кешбэккафе' '+39 pizzeria mozzarella bar' '1 этаж' ... 'ё-ланч'
 'ёж и устрица' 'ёрш']
name : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
category ['бар,паб' 'булочная' 'быстрое питание' 'кафе' 'кофейня' 'пиццерия'
 'ресторан' 'столовая']
category : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
address ['москва, 1-й автозаводский проезд, 5'
 'москва, 1-й балтийский переулок, 3/25'
 'москва, 1-й варшавский проезд, 1ас9' ...
 'москва, яузский бульвар, 11, стр. 1' 'москва, яузский бульвар, 14/8'
 'москва, № 7']
address : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
district ['Восточный административный округ' 'Западный административный округ'
 'Северный административный округ'
 'Северо-Восточный административный округ'
 'Северо-Западный административный округ'
 'Центральный административный округ'
 'Юго-Восточный административный округ'
 'Юго-Западный административный округ' 'Южный административный округ']
district : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
hours ['Нет информации'
 'вт 08:30–17:00; ср,чт 12:00–20:30; пт 08:30–17:00; сб 09:00–16:30'
 'вт 13:00–21:00; ср 11:00–20:00; чт 13:00–21:00; пт-вс 11:00–20:00' ...
 'чт круглосуточно, перерыв 10:00–20:00; сб круглосуточно'
 'чт-вс 20:00–06:00' nan]
hours : кол-во NaN 536 , процент NaN 6.38 %
-------------------------
lat [55.573942 55.574039 55.575511 ... 55.920426 55.924367 55.928943]
lat : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
lng [37.355651 37.357339 37.371261 ... 37.871974 37.873787 37.874466]
lng : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
rating [1.  1.1 1.2 1.3 1.4 1.5 1.6 1.7 1.8 1.9 2.  2.1 2.2 2.3 2.4 2.5 2.6 2.7
 2.8 2.9 3.  3.1 3.2 3.3 3.4 3.5 3.6 3.7 3.8 3.9 4.  4.1 4.2 4.3 4.4 4.5
 4.6 4.7 4.8 4.9 5. ]
rating : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
price ['высокие' 'выше среднего' 'низкие' 'средние' nan]
price : кол-во NaN 5091 , процент NaN 60.56 %
-------------------------
avg_bill ['Средний счёт:100 ₽' 'Средний счёт:1000 ₽' 'Средний счёт:1000–10000 ₽'
 'Средний счёт:1000–1100 ₽' 'Средний счёт:1000–1200 ₽'
 'Средний счёт:1000–1300 ₽' 'Средний счёт:1000–1350 ₽'
 'Средний счёт:1000–1400 ₽' 'Средний счёт:1000–1500 ₽'
 'Средний счёт:1000–1600 ₽' 'Средний счёт:1000–1700 ₽'
 'Средний счёт:1000–2000 ₽' 'Средний счёт:1000–2500 ₽'
 'Средний счёт:1000–3000 ₽' 'Средний счёт:1000–5000 ₽'
 'Средний счёт:100–1000 ₽' 'Средний счёт:100–160 ₽'
 'Средний счёт:100–180 ₽' 'Средний счёт:100–200 ₽'
 'Средний счёт:100–2000 ₽' 'Средний счёт:100–270 ₽'
 'Средний счёт:100–300 ₽' 'Средний счёт:100–330 ₽'
 'Средний счёт:100–350 ₽' 'Средний счёт:100–400 ₽'
 'Средний счёт:100–423 ₽' 'Средний счёт:100–500 ₽'
 'Средний счёт:100–599 ₽' 'Средний счёт:100–700 ₽'
 'Средний счёт:1100–1500 ₽' 'Средний счёт:110–200 ₽' 'Средний счёт:120 ₽'
 'Средний счёт:1200 ₽' 'Средний счёт:1200–1300 ₽'
 'Средний счёт:1200–1500 ₽' 'Средний счёт:1200–1600 ₽'
 'Средний счёт:1200–1700 ₽' 'Средний счёт:1200–1800 ₽'
 'Средний счёт:1200–1900 ₽' 'Средний счёт:1200–2000 ₽'
 'Средний счёт:1200–2500 ₽' 'Средний счёт:1200–3000 ₽'
 'Средний счёт:120–130 ₽' 'Средний счёт:120–150 ₽'
 'Средний счёт:120–160 ₽' 'Средний счёт:120–370 ₽'
 'Средний счёт:120–470 ₽' 'Средний счёт:1300 ₽' 'Средний счёт:1300–1500 ₽'
 'Средний счёт:1300–1600 ₽' 'Средний счёт:1300–1700 ₽'
 'Средний счёт:1300–1800 ₽' 'Средний счёт:1300–2000 ₽'
 'Средний счёт:1300–2100 ₽' 'Средний счёт:1300–2500 ₽'
 'Средний счёт:130–140 ₽' 'Средний счёт:130–200 ₽'
 'Средний счёт:130–350 ₽' 'Средний счёт:130–700 ₽' 'Средний счёт:1330 ₽'
 'Средний счёт:1400 ₽' 'Средний счёт:1400–1500 ₽'
 'Средний счёт:1400–1600 ₽' 'Средний счёт:1400–1700 ₽'
 'Средний счёт:1400–1800 ₽' 'Средний счёт:140–142 ₽'
 'Средний счёт:140–160 ₽' 'Средний счёт:140–250 ₽'
 'Средний счёт:140–350 ₽' 'Средний счёт:149–249 ₽' 'Средний счёт:150 ₽'
 'Средний счёт:1500 ₽' 'Средний счёт:1500–1600 ₽'
 'Средний счёт:1500–1700 ₽' 'Средний счёт:1500–1800 ₽'
 'Средний счёт:1500–1880 ₽' 'Средний счёт:1500–1900 ₽'
 'Средний счёт:1500–2000 ₽' 'Средний счёт:1500–2500 ₽'
 'Средний счёт:1500–3000 ₽' 'Средний счёт:1500–3500 ₽'
 'Средний счёт:1500–4000 ₽' 'Средний счёт:1500–5000 ₽'
 'Средний счёт:150–1000 ₽' 'Средний счёт:150–180 ₽'
 'Средний счёт:150–200 ₽' 'Средний счёт:150–220 ₽'
 'Средний счёт:150–250 ₽' 'Средний счёт:150–260 ₽'
 'Средний счёт:150–300 ₽' 'Средний счёт:150–350 ₽'
 'Средний счёт:150–400 ₽' 'Средний счёт:150–450 ₽'
 'Средний счёт:150–500 ₽' 'Средний счёт:150–599 ₽'
 'Средний счёт:150–600 ₽' 'Средний счёт:150–650 ₽'
 'Средний счёт:150–700 ₽' 'Средний счёт:1600 ₽' 'Средний счёт:160–200 ₽'
 'Средний счёт:160–240 ₽' 'Средний счёт:160–250 ₽'
 'Средний счёт:160–500 ₽' 'Средний счёт:170 ₽' 'Средний счёт:1700 ₽'
 'Средний счёт:1700–1900 ₽' 'Средний счёт:1700–2500 ₽'
 'Средний счёт:170–220 ₽' 'Средний счёт:170–230 ₽'
 'Средний счёт:170–280 ₽' 'Средний счёт:170–300 ₽'
 'Средний счёт:170–350 ₽' 'Средний счёт:170–490 ₽'
 'Средний счёт:170–700 ₽' 'Средний счёт:180 ₽' 'Средний счёт:1800 ₽'
 'Средний счёт:1800–2000 ₽' 'Средний счёт:1800–2500 ₽'
 'Средний счёт:180–1170 ₽' 'Средний счёт:180–220 ₽'
 'Средний счёт:180–280 ₽' 'Средний счёт:180–350 ₽' 'Средний счёт:190 ₽'
 'Средний счёт:1900 ₽' 'Средний счёт:1900–2500 ₽' 'Средний счёт:190–260 ₽'
 'Средний счёт:190–280 ₽' 'Средний счёт:190–290 ₽'
 'Средний счёт:190–350 ₽' 'Средний счёт:195–235 ₽' 'Средний счёт:199 ₽'
 'Средний счёт:199–450 ₽' 'Средний счёт:1–2000 ₽' 'Средний счёт:200 ₽'
 'Средний счёт:2000 ₽' 'Средний счёт:20000–50000 ₽'
 'Средний счёт:2000–2500 ₽' 'Средний счёт:2000–3000 ₽'
 'Средний счёт:2000–3500 ₽' 'Средний счёт:2000–4000 ₽'
 'Средний счёт:2000–5000 ₽' 'Средний счёт:200–1000 ₽'
 'Средний счёт:200–220 ₽' 'Средний счёт:200–250 ₽'
 'Средний счёт:200–270 ₽' 'Средний счёт:200–280 ₽'
 'Средний счёт:200–300 ₽' 'Средний счёт:200–350 ₽'
 'Средний счёт:200–360 ₽' 'Средний счёт:200–400 ₽'
 'Средний счёт:200–450 ₽' 'Средний счёт:200–500 ₽'
 'Средний счёт:200–600 ₽' 'Средний счёт:200–700 ₽'
 'Средний счёт:205–500 ₽' 'Средний счёт:2100 ₽' 'Средний счёт:220 ₽'
 'Средний счёт:2200 ₽' 'Средний счёт:220–270 ₽' 'Средний счёт:220–300 ₽'
 'Средний счёт:220–350 ₽' 'Средний счёт:220–500 ₽' 'Средний счёт:229 ₽'
 'Средний счёт:2300 ₽' 'Средний счёт:230–250 ₽' 'Средний счёт:230–280 ₽'
 'Средний счёт:230–300 ₽' 'Средний счёт:230–350 ₽'
 'Средний счёт:230–500 ₽' 'Средний счёт:230–650 ₽'
 'Средний счёт:232–387 ₽' 'Средний счёт:240 ₽' 'Средний счёт:2400 ₽'
 'Средний счёт:240–350 ₽' 'Средний счёт:240–360 ₽'
 'Средний счёт:240–500 ₽' 'Средний счёт:250 ₽' 'Средний счёт:2500 ₽'
 'Средний счёт:2500–3000 ₽' 'Средний счёт:2500–3500 ₽'
 'Средний счёт:2500–4000 ₽' 'Средний счёт:2500–4500 ₽'
 'Средний счёт:2500–5000 ₽' 'Средний счёт:250–1000 ₽'
 'Средний счёт:250–270 ₽' 'Средний счёт:250–280 ₽'
 'Средний счёт:250–300 ₽' 'Средний счёт:250–320 ₽'
 'Средний счёт:250–350 ₽' 'Средний счёт:250–380 ₽'
 'Средний счёт:250–400 ₽' 'Средний счёт:250–430 ₽'
 'Средний счёт:250–450 ₽' 'Средний счёт:250–480 ₽'
 'Средний счёт:250–500 ₽' 'Средний счёт:250–550 ₽'
 'Средний счёт:250–600 ₽' 'Средний счёт:250–700 ₽'
 'Средний счёт:250–800 ₽' 'Средний счёт:260 ₽' 'Средний счёт:2600 ₽'
 'Средний счёт:260–1000 ₽' 'Средний счёт:260–280 ₽'
 'Средний счёт:260–290 ₽' 'Средний счёт:260–300 ₽'
 'Средний счёт:260–400 ₽' 'Средний счёт:266 ₽' 'Средний счёт:269 ₽'
 'Средний счёт:270 ₽' 'Средний счёт:270–300 ₽' 'Средний счёт:270–350 ₽'
 'Средний счёт:270–400 ₽' 'Средний счёт:270–450 ₽' 'Средний счёт:275 ₽'
 'Средний счёт:275–500 ₽' 'Средний счёт:280 ₽' 'Средний счёт:280–290 ₽'
 'Средний счёт:280–320 ₽' 'Средний счёт:280–330 ₽'
 'Средний счёт:280–350 ₽' 'Средний счёт:280–360 ₽'
 'Средний счёт:280–400 ₽' 'Средний счёт:280–420 ₽'
 'Средний счёт:280–450 ₽' 'Средний счёт:285 ₽' 'Средний счёт:290 ₽'
 'Средний счёт:2900 ₽' 'Средний счёт:290–490 ₽' 'Средний счёт:290–500 ₽'
 'Средний счёт:291 ₽' 'Средний счёт:298 ₽' 'Средний счёт:299 ₽'
 'Средний счёт:299–400 ₽' 'Средний счёт:299–450 ₽' 'Средний счёт:300 ₽'
 'Средний счёт:3000 ₽' 'Средний счёт:3000–3500 ₽'
 'Средний счёт:3000–4000 ₽' 'Средний счёт:3000–5000 ₽'
 'Средний счёт:300–1000 ₽' 'Средний счёт:300–1500 ₽'
 'Средний счёт:300–1600 ₽' 'Средний счёт:300–2000 ₽'
 'Средний счёт:300–350 ₽' 'Средний счёт:300–400 ₽'
 'Средний счёт:300–420 ₽' 'Средний счёт:300–430 ₽'
 'Средний счёт:300–450 ₽' 'Средний счёт:300–500 ₽'
 'Средний счёт:300–550 ₽' 'Средний счёт:300–600 ₽'
 'Средний счёт:300–650 ₽' 'Средний счёт:300–700 ₽'
 'Средний счёт:300–800 ₽' 'Средний счёт:301 ₽' 'Средний счёт:304 ₽'
 'Средний счёт:30–300 ₽' 'Средний счёт:310–370 ₽' 'Средний счёт:313 ₽'
 'Средний счёт:317 ₽' 'Средний счёт:320 ₽' 'Средний счёт:320–1500 ₽'
 'Средний счёт:320–350 ₽' 'Средний счёт:320–480 ₽' 'Средний счёт:321 ₽'
 'Средний счёт:324 ₽' 'Средний счёт:328 ₽' 'Средний счёт:330 ₽'
 'Средний счёт:330–400 ₽' 'Средний счёт:330–990 ₽' 'Средний счёт:339 ₽'
 'Средний счёт:340 ₽' 'Средний счёт:340–550 ₽' 'Средний счёт:343 ₽'
 'Средний счёт:344 ₽' 'Средний счёт:349 ₽' 'Средний счёт:350 ₽'
 'Средний счёт:3500 ₽' 'Средний счёт:3500–4000 ₽'
 'Средний счёт:3500–5000 ₽' 'Средний счёт:350–1000 ₽'
 'Средний счёт:350–1500 ₽' 'Средний счёт:350–2000 ₽'
 'Средний счёт:350–2400 ₽' 'Средний счёт:350–400 ₽'
 'Средний счёт:350–420 ₽' 'Средний счёт:350–450 ₽'
 'Средний счёт:350–500 ₽' 'Средний счёт:350–550 ₽'
 'Средний счёт:350–600 ₽' 'Средний счёт:350–650 ₽'
 'Средний счёт:350–700 ₽' 'Средний счёт:350–800 ₽' 'Средний счёт:355 ₽'
 'Средний счёт:35–100 ₽' 'Средний счёт:35–180 ₽' 'Средний счёт:35–300 ₽'
 'Средний счёт:360 ₽' 'Средний счёт:360–500 ₽' 'Средний счёт:360–540 ₽'
 'Средний счёт:362 ₽' 'Средний счёт:363 ₽' 'Средний счёт:366 ₽'
 'Средний счёт:370 ₽' 'Средний счёт:372 ₽' 'Средний счёт:373 ₽'
 'Средний счёт:375 ₽' 'Средний счёт:380–1010 ₽' 'Средний счёт:380–400 ₽'
 'Средний счёт:380–500 ₽' 'Средний счёт:380–600 ₽' 'Средний счёт:382 ₽'
 'Средний счёт:383 ₽' 'Средний счёт:385 ₽' 'Средний счёт:385–580 ₽'
 'Средний счёт:390–1000 ₽' 'Средний счёт:390–460 ₽'
 'Средний счёт:390–500 ₽' 'Средний счёт:390–660 ₽'
 'Средний счёт:390–700 ₽' 'Средний счёт:391 ₽' 'Средний счёт:392 ₽'
 'Средний счёт:400 ₽' 'Средний счёт:4000 ₽' 'Средний счёт:4000–5000 ₽'
 'Средний счёт:400–1000 ₽' 'Средний счёт:400–1200 ₽'
 'Средний счёт:400–1500 ₽' 'Средний счёт:400–2500 ₽'
 'Средний счёт:400–450 ₽' 'Средний счёт:400–500 ₽'
 'Средний счёт:400–550 ₽' 'Средний счёт:400–600 ₽'
 'Средний счёт:400–6000 ₽' 'Средний счёт:400–650 ₽'
 'Средний счёт:400–700 ₽' 'Средний счёт:400–800 ₽'
 'Средний счёт:400–900 ₽' 'Средний счёт:402 ₽' 'Средний счёт:404 ₽'
 'Средний счёт:407 ₽' 'Средний счёт:410 ₽' 'Средний счёт:411 ₽'
 'Средний счёт:412 ₽' 'Средний счёт:413 ₽' 'Средний счёт:415 ₽'
 'Средний счёт:416 ₽' 'Средний счёт:420–680 ₽' 'Средний счёт:422 ₽'
 'Средний счёт:426 ₽' 'Средний счёт:430 ₽' 'Средний счёт:432 ₽'
 'Средний счёт:433 ₽' 'Средний счёт:434 ₽' 'Средний счёт:435 ₽'
 'Средний счёт:438 ₽' 'Средний счёт:439 ₽' 'Средний счёт:441 ₽'
 'Средний счёт:443 ₽' 'Средний счёт:450 ₽' 'Средний счёт:4500–5000 ₽'
 'Средний счёт:4500–5500 ₽' 'Средний счёт:450–500 ₽'
 'Средний счёт:450–550 ₽' 'Средний счёт:450–600 ₽'
 'Средний счёт:450–650 ₽' 'Средний счёт:450–700 ₽'
 'Средний счёт:450–750 ₽' 'Средний счёт:450–800 ₽'
 'Средний счёт:450–900 ₽' 'Средний счёт:453 ₽' 'Средний счёт:465 ₽'
 'Средний счёт:470 ₽' 'Средний счёт:472 ₽' 'Средний счёт:475 ₽'
 'Средний счёт:480 ₽' 'Средний счёт:495 ₽' 'Средний счёт:499–700 ₽'
 'Средний счёт:49–369 ₽' 'Средний счёт:50 ₽' 'Средний счёт:500 ₽'
 'Средний счёт:5000 ₽' 'Средний счёт:5000–15000 ₽'
 'Средний счёт:5000–17000 ₽' 'Средний счёт:5000–5500 ₽'
 'Средний счёт:5000–8000 ₽' 'Средний счёт:500–1000 ₽'
 'Средний счёт:500–1050 ₽' 'Средний счёт:500–1100 ₽'
 'Средний счёт:500–1200 ₽' 'Средний счёт:500–1300 ₽'
 'Средний счёт:500–1500 ₽' 'Средний счёт:500–2000 ₽'
 'Средний счёт:500–2500 ₽' 'Средний счёт:500–3000 ₽'
 'Средний счёт:500–5000 ₽' 'Средний счёт:500–520 ₽'
 'Средний счёт:500–550 ₽' 'Средний счёт:500–600 ₽'
 'Средний счёт:500–650 ₽' 'Средний счёт:500–700 ₽'
 'Средний счёт:500–750 ₽' 'Средний счёт:500–800 ₽'
 'Средний счёт:500–900 ₽' 'Средний счёт:503 ₽' 'Средний счёт:508 ₽'
 'Средний счёт:50–200 ₽' 'Средний счёт:50–250 ₽' 'Средний счёт:50–300 ₽'
 'Средний счёт:520–1200 ₽' 'Средний счёт:520–600 ₽' 'Средний счёт:550 ₽'
 'Средний счёт:5500 ₽' 'Средний счёт:550–1300 ₽' 'Средний счёт:550–1500 ₽'
 'Средний счёт:550–1550 ₽' 'Средний счёт:550–700 ₽'
 'Средний счёт:550–750 ₽' 'Средний счёт:590–1490 ₽' 'Средний счёт:600 ₽'
 'Средний счёт:6000 ₽' 'Средний счёт:6000–8000 ₽'
 'Средний счёт:600–1000 ₽' 'Средний счёт:600–1200 ₽'
 'Средний счёт:600–1300 ₽' 'Средний счёт:600–1500 ₽'
 'Средний счёт:600–2000 ₽' 'Средний счёт:600–700 ₽'
 'Средний счёт:600–750 ₽' 'Средний счёт:600–800 ₽'
 'Средний счёт:600–900 ₽' 'Средний счёт:600–950 ₽' 'Средний счёт:60–140 ₽'
 'Средний счёт:60–180 ₽' 'Средний счёт:60–400 ₽' 'Средний счёт:620 ₽'
 'Средний счёт:650 ₽' 'Средний счёт:650–1000 ₽' 'Средний счёт:650–2000 ₽'
 'Средний счёт:650–800 ₽' 'Средний счёт:650–850 ₽' 'Средний счёт:670 ₽'
 'Средний счёт:69–499 ₽' 'Средний счёт:700 ₽' 'Средний счёт:7000 ₽'
 'Средний счёт:7000–7500 ₽' 'Средний счёт:700–1000 ₽'
 'Средний счёт:700–1100 ₽' 'Средний счёт:700–1200 ₽'
 'Средний счёт:700–1300 ₽' 'Средний счёт:700–1400 ₽'
 'Средний счёт:700–1500 ₽' 'Средний счёт:700–1800 ₽'
 'Средний счёт:700–3000 ₽' 'Средний счёт:700–3500 ₽'
 'Средний счёт:700–800 ₽' 'Средний счёт:700–850 ₽'
 'Средний счёт:700–900 ₽' 'Средний счёт:70–150 ₽' 'Средний счёт:70–200 ₽'
 'Средний счёт:750 ₽' 'Средний счёт:750–1000 ₽' 'Средний счёт:750–1200 ₽'
 'Средний счёт:750–1500 ₽' 'Средний счёт:750–850 ₽'
 'Средний счёт:750–900 ₽' 'Средний счёт:795–1325 ₽' 'Средний счёт:800 ₽'
 'Средний счёт:800–1000 ₽' 'Средний счёт:800–1100 ₽'
 'Средний счёт:800–1200 ₽' 'Средний счёт:800–1300 ₽'
 'Средний счёт:800–1500 ₽' 'Средний счёт:800–1800 ₽'
 'Средний счёт:800–2000 ₽' 'Средний счёт:800–3000 ₽'
 'Средний счёт:80–220 ₽' 'Средний счёт:80–300 ₽' 'Средний счёт:80–340 ₽'
 'Средний счёт:80–350 ₽' 'Средний счёт:850 ₽' 'Средний счёт:850–1000 ₽'
 'Средний счёт:850–1100 ₽' 'Средний счёт:850–1200 ₽'
 'Средний счёт:850–1500 ₽' 'Средний счёт:90 ₽' 'Средний счёт:900 ₽'
 'Средний счёт:900–1000 ₽' 'Средний счёт:900–1100 ₽'
 'Средний счёт:900–1150 ₽' 'Средний счёт:900–1200 ₽'
 'Средний счёт:900–1400 ₽' 'Средний счёт:900–1500 ₽'
 'Средний счёт:90–190 ₽' 'Средний счёт:90–230 ₽' 'Средний счёт:90–450 ₽'
 'Средний счёт:950–1200 ₽' 'Средний счёт:950–1500 ₽'
 'Средний счёт:99–500 ₽' 'Средний счёт:до 1000 ₽' 'Средний счёт:до 1500 ₽'
 'Средний счёт:до 300 ₽' 'Средний счёт:до 350 ₽' 'Средний счёт:до 470 ₽'
 'Средний счёт:до 500 ₽' 'Средний счёт:до 650 ₽' 'Средний счёт:от 0 ₽'
 'Средний счёт:от 100 ₽' 'Средний счёт:от 1000 ₽' 'Средний счёт:от 1090 ₽'
 'Средний счёт:от 120 ₽' 'Средний счёт:от 1200 ₽' 'Средний счёт:от 140 ₽'
 'Средний счёт:от 1400 ₽' 'Средний счёт:от 150 ₽' 'Средний счёт:от 1500 ₽'
 'Средний счёт:от 165 ₽' 'Средний счёт:от 175 ₽' 'Средний счёт:от 180 ₽'
 'Средний счёт:от 1800 ₽' 'Средний счёт:от 199 ₽' 'Средний счёт:от 200 ₽'
 'Средний счёт:от 2000 ₽' 'Средний счёт:от 230 ₽' 'Средний счёт:от 240 ₽'
 'Средний счёт:от 250 ₽' 'Средний счёт:от 2500 ₽' 'Средний счёт:от 270 ₽'
 'Средний счёт:от 30 ₽' 'Средний счёт:от 300 ₽' 'Средний счёт:от 3000 ₽'
 'Средний счёт:от 320 ₽' 'Средний счёт:от 330 ₽' 'Средний счёт:от 340 ₽'
 'Средний счёт:от 345 ₽' 'Средний счёт:от 350 ₽' 'Средний счёт:от 3500 ₽'
 'Средний счёт:от 390 ₽' 'Средний счёт:от 399 ₽' 'Средний счёт:от 400 ₽'
 'Средний счёт:от 4000 ₽' 'Средний счёт:от 420 ₽' 'Средний счёт:от 450 ₽'
 'Средний счёт:от 470 ₽' 'Средний счёт:от 475 ₽' 'Средний счёт:от 499 ₽'
 'Средний счёт:от 50 ₽' 'Средний счёт:от 500 ₽' 'Средний счёт:от 5000 ₽'
 'Средний счёт:от 549 ₽' 'Средний счёт:от 600 ₽' 'Средний счёт:от 650 ₽'
 'Средний счёт:от 700 ₽' 'Средний счёт:от 800 ₽' 'Средний счёт:от 850 ₽'
 'Цена бокала пива:100–250 ₽' 'Цена бокала пива:120–350 ₽'
 'Цена бокала пива:129–319 ₽' 'Цена бокала пива:130–150 ₽'
 'Цена бокала пива:140–190 ₽' 'Цена бокала пива:140–330 ₽'
 'Цена бокала пива:140–420 ₽' 'Цена бокала пива:150 ₽'
 'Цена бокала пива:150–180 ₽' 'Цена бокала пива:150–230 ₽'
 'Цена бокала пива:150–250 ₽' 'Цена бокала пива:150–290 ₽'
 'Цена бокала пива:150–350 ₽' 'Цена бокала пива:150–450 ₽'
 'Цена бокала пива:155–465 ₽' 'Цена бокала пива:160–350 ₽'
 'Цена бокала пива:160–390 ₽' 'Цена бокала пива:160–499 ₽'
 'Цена бокала пива:170–200 ₽' 'Цена бокала пива:170–240 ₽'
 'Цена бокала пива:170–320 ₽' 'Цена бокала пива:170–380 ₽'
 'Цена бокала пива:180–260 ₽' 'Цена бокала пива:180–330 ₽'
 'Цена бокала пива:180–380 ₽' 'Цена бокала пива:180–400 ₽'
 'Цена бокала пива:180–420 ₽' 'Цена бокала пива:180–480 ₽'
 'Цена бокала пива:190–350 ₽' 'Цена бокала пива:190–390 ₽'
 'Цена бокала пива:190–430 ₽' 'Цена бокала пива:190–450 ₽'
 'Цена бокала пива:190–500 ₽' 'Цена бокала пива:199–300 ₽'
 'Цена бокала пива:199–459 ₽' 'Цена бокала пива:200 ₽'
 'Цена бокала пива:200–1100 ₽' 'Цена бокала пива:200–240 ₽'
 'Цена бокала пива:200–300 ₽' 'Цена бокала пива:200–320 ₽'
 'Цена бокала пива:200–350 ₽' 'Цена бокала пива:200–380 ₽'
 'Цена бокала пива:200–390 ₽' 'Цена бокала пива:200–440 ₽'
 'Цена бокала пива:220–250 ₽' 'Цена бокала пива:220–350 ₽'
 'Цена бокала пива:220–390 ₽' 'Цена бокала пива:220–440 ₽'
 'Цена бокала пива:220–450 ₽' 'Цена бокала пива:220–500 ₽'
 'Цена бокала пива:220–550 ₽' 'Цена бокала пива:230 ₽'
 'Цена бокала пива:230–350 ₽' 'Цена бокала пива:240–350 ₽'
 'Цена бокала пива:240–380 ₽' 'Цена бокала пива:250–350 ₽'
 'Цена бокала пива:250–390 ₽' 'Цена бокала пива:250–395 ₽'
 'Цена бокала пива:250–400 ₽' 'Цена бокала пива:250–450 ₽'
 'Цена бокала пива:250–490 ₽' 'Цена бокала пива:250–550 ₽'
 'Цена бокала пива:260–360 ₽' 'Цена бокала пива:260–380 ₽'
 'Цена бокала пива:260–400 ₽' 'Цена бокала пива:270–1100 ₽'
 'Цена бокала пива:270–390 ₽' 'Цена бокала пива:270–490 ₽'
 'Цена бокала пива:280 ₽' 'Цена бокала пива:280–360 ₽'
 'Цена бокала пива:280–400 ₽' 'Цена бокала пива:280–410 ₽'
 'Цена бокала пива:290–390 ₽' 'Цена бокала пива:290–440 ₽'
 'Цена бокала пива:300 ₽' 'Цена бокала пива:300–400 ₽'
 'Цена бокала пива:300–420 ₽' 'Цена бокала пива:300–475 ₽'
 'Цена бокала пива:300–500 ₽' 'Цена бокала пива:300–600 ₽'
 'Цена бокала пива:320–375 ₽' 'Цена бокала пива:320–380 ₽'
 'Цена бокала пива:320–440 ₽' 'Цена бокала пива:320–460 ₽'
 'Цена бокала пива:320–470 ₽' 'Цена бокала пива:330–490 ₽'
 'Цена бокала пива:340 ₽' 'Цена бокала пива:340–420 ₽'
 'Цена бокала пива:350 ₽' 'Цена бокала пива:350–370 ₽'
 'Цена бокала пива:350–400 ₽' 'Цена бокала пива:350–500 ₽'
 'Цена бокала пива:360 ₽' 'Цена бокала пива:370–410 ₽'
 'Цена бокала пива:370–420 ₽' 'Цена бокала пива:380–400 ₽'
 'Цена бокала пива:390 ₽' 'Цена бокала пива:390–530 ₽'
 'Цена бокала пива:390–590 ₽' 'Цена бокала пива:39–190 ₽'
 'Цена бокала пива:420–640 ₽' 'Цена бокала пива:88–460 ₽'
 'Цена бокала пива:90–230 ₽' 'Цена бокала пива:90–250 ₽'
 'Цена бокала пива:до 350 ₽' 'Цена бокала пива:от 100 ₽'
 'Цена бокала пива:от 140 ₽' 'Цена бокала пива:от 149 ₽'
 'Цена бокала пива:от 195 ₽' 'Цена бокала пива:от 200 ₽'
 'Цена бокала пива:от 350 ₽' 'Цена чашки капучино:100 ₽'
 'Цена чашки капучино:100–120 ₽' 'Цена чашки капучино:100–140 ₽'
 'Цена чашки капучино:100–150 ₽' 'Цена чашки капучино:100–160 ₽'
 'Цена чашки капучино:100–170 ₽' 'Цена чашки капучино:100–179 ₽'
 'Цена чашки капучино:100–180 ₽' 'Цена чашки капучино:100–200 ₽'
 'Цена чашки капучино:100–210 ₽' 'Цена чашки капучино:100–220 ₽'
 'Цена чашки капучино:105–145 ₽' 'Цена чашки капучино:109–169 ₽'
 'Цена чашки капучино:110 ₽' 'Цена чашки капучино:110–150 ₽'
 'Цена чашки капучино:110–160 ₽' 'Цена чашки капучино:110–165 ₽'
 'Цена чашки капучино:110–170 ₽' 'Цена чашки капучино:110–190 ₽'
 'Цена чашки капучино:110–200 ₽' 'Цена чашки капучино:115–140 ₽'
 'Цена чашки капучино:119–149 ₽' 'Цена чашки капучино:119–169 ₽'
 'Цена чашки капучино:119–179 ₽' 'Цена чашки капучино:120 ₽'
 'Цена чашки капучино:120–140 ₽' 'Цена чашки капучино:120–150 ₽'
 'Цена чашки капучино:120–160 ₽' 'Цена чашки капучино:120–170 ₽'
 'Цена чашки капучино:120–180 ₽' 'Цена чашки капучино:120–190 ₽'
 'Цена чашки капучино:120–200 ₽' 'Цена чашки капучино:120–210 ₽'
 'Цена чашки капучино:120–215 ₽' 'Цена чашки капучино:120–220 ₽'
 'Цена чашки капучино:120–250 ₽' 'Цена чашки капучино:128–148 ₽'
 'Цена чашки капучино:129–169 ₽' 'Цена чашки капучино:129–179 ₽'
 'Цена чашки капучино:130 ₽' 'Цена чашки капучино:130–150 ₽'
 'Цена чашки капучино:130–160 ₽' 'Цена чашки капучино:130–170 ₽'
 'Цена чашки капучино:130–180 ₽' 'Цена чашки капучино:130–190 ₽'
 'Цена чашки капучино:130–210 ₽' 'Цена чашки капучино:130–230 ₽'
 'Цена чашки капучино:130–250 ₽' 'Цена чашки капучино:139–189 ₽'
 'Цена чашки капучино:140–160 ₽' 'Цена чашки капучино:140–170 ₽'
 'Цена чашки капучино:140–180 ₽' 'Цена чашки капучино:140–190 ₽'
 'Цена чашки капучино:140–200 ₽' 'Цена чашки капучино:140–220 ₽'
 'Цена чашки капучино:145–185 ₽' 'Цена чашки капучино:145–200 ₽'
 'Цена чашки капучино:145–225 ₽' 'Цена чашки капучино:149–199 ₽'
 'Цена чашки капучино:149–219 ₽' 'Цена чашки капучино:149–259 ₽'
 'Цена чашки капучино:150 ₽' 'Цена чашки капучино:150–180 ₽'
 'Цена чашки капучино:150–190 ₽' 'Цена чашки капучино:150–200 ₽'
 'Цена чашки капучино:150–210 ₽' 'Цена чашки капучино:150–219 ₽'
 'Цена чашки капучино:150–220 ₽' 'Цена чашки капучино:150–240 ₽'
 'Цена чашки капучино:150–245 ₽' 'Цена чашки капучино:150–250 ₽'
 'Цена чашки капучино:150–290 ₽' 'Цена чашки капучино:150–320 ₽'
 'Цена чашки капучино:155–170 ₽' 'Цена чашки капучино:155–185 ₽'
 'Цена чашки капучино:159 ₽' 'Цена чашки капучино:159–200 ₽'
 'Цена чашки капучино:160–180 ₽' 'Цена чашки капучино:160–200 ₽'
 'Цена чашки капучино:160–210 ₽' 'Цена чашки капучино:160–220 ₽'
 'Цена чашки капучино:160–230 ₽' 'Цена чашки капучино:160–250 ₽'
 'Цена чашки капучино:160–270 ₽' 'Цена чашки капучино:160–350 ₽'
 'Цена чашки капучино:170–190 ₽' 'Цена чашки капучино:170–200 ₽'
 'Цена чашки капучино:170–210 ₽' 'Цена чашки капучино:170–220 ₽'
 'Цена чашки капучино:170–230 ₽' 'Цена чашки капучино:170–239 ₽'
 'Цена чашки капучино:170–250 ₽' 'Цена чашки капучино:179–219 ₽'
 'Цена чашки капучино:179–249 ₽' 'Цена чашки капучино:179–275 ₽'
 'Цена чашки капучино:179–314 ₽' 'Цена чашки капучино:180–200 ₽'
 'Цена чашки капучино:180–210 ₽' 'Цена чашки капучино:180–230 ₽'
 'Цена чашки капучино:180–250 ₽' 'Цена чашки капучино:180–300 ₽'
 'Цена чашки капучино:184–194 ₽' 'Цена чашки капучино:185–285 ₽'
 'Цена чашки капучино:189–269 ₽' 'Цена чашки капучино:190–220 ₽'
 'Цена чашки капучино:190–230 ₽' 'Цена чашки капучино:190–240 ₽'
 'Цена чашки капучино:190–245 ₽' 'Цена чашки капучино:190–250 ₽'
 'Цена чашки капучино:195 ₽' 'Цена чашки капучино:195–245 ₽'
 'Цена чашки капучино:195–295 ₽' 'Цена чашки капучино:199–229 ₽'
 'Цена чашки капучино:199–285 ₽' 'Цена чашки капучино:200 ₽'
 'Цена чашки капучино:200–220 ₽' 'Цена чашки капучино:200–240 ₽'
 'Цена чашки капучино:200–250 ₽' 'Цена чашки капучино:200–260 ₽'
 'Цена чашки капучино:200–275 ₽' 'Цена чашки капучино:200–300 ₽'
 'Цена чашки капучино:200–350 ₽' 'Цена чашки капучино:205–245 ₽'
 'Цена чашки капучино:205–280 ₽' 'Цена чашки капучино:210–250 ₽'
 'Цена чашки капучино:210–290 ₽' 'Цена чашки капучино:220 ₽'
 'Цена чашки капучино:220–240 ₽' 'Цена чашки капучино:220–250 ₽'
 'Цена чашки капучино:220–270 ₽' 'Цена чашки капучино:220–280 ₽'
 'Цена чашки капучино:220–320 ₽' 'Цена чашки капучино:220–330 ₽'
 'Цена чашки капучино:220–350 ₽' 'Цена чашки капучино:230–250 ₽'
 'Цена чашки капучино:230–280 ₽' 'Цена чашки капучино:230–290 ₽'
 'Цена чашки капучино:230–2907 ₽' 'Цена чашки капучино:230–320 ₽'
 'Цена чашки капучино:230–350 ₽' 'Цена чашки капучино:235–335 ₽'
 'Цена чашки капучино:239–269 ₽' 'Цена чашки капучино:239–274 ₽'
 'Цена чашки капучино:239–279 ₽' 'Цена чашки капучино:240 ₽'
 'Цена чашки капучино:249–284 ₽' 'Цена чашки капучино:249–309 ₽'
 'Цена чашки капучино:250 ₽' 'Цена чашки капучино:250–270 ₽'
 'Цена чашки капучино:250–280 ₽' 'Цена чашки капучино:250–290 ₽'
 'Цена чашки капучино:250–300 ₽' 'Цена чашки капучино:250–330 ₽'
 'Цена чашки капучино:250–340 ₽' 'Цена чашки капучино:250–350 ₽'
 'Цена чашки капучино:250–390 ₽' 'Цена чашки капучино:250–500 ₽'
 'Цена чашки капучино:270 ₽' 'Цена чашки капучино:270–280 ₽'
 'Цена чашки капучино:275 ₽' 'Цена чашки капучино:279–378 ₽'
 'Цена чашки капучино:280–350 ₽' 'Цена чашки капучино:284–299 ₽'
 'Цена чашки капучино:285–289 ₽' 'Цена чашки капучино:285–310 ₽'
 'Цена чашки капучино:300 ₽' 'Цена чашки капучино:300–350 ₽'
 'Цена чашки капучино:50–150 ₽' 'Цена чашки капучино:59–99 ₽'
 'Цена чашки капучино:60–100 ₽' 'Цена чашки капучино:60–120 ₽'
 'Цена чашки капучино:60–150 ₽' 'Цена чашки капучино:60–180 ₽'
 'Цена чашки капучино:60–300 ₽' 'Цена чашки капучино:60–90 ₽'
 'Цена чашки капучино:65–140 ₽' 'Цена чашки капучино:69–99 ₽'
 'Цена чашки капучино:70–150 ₽' 'Цена чашки капучино:75 ₽'
 'Цена чашки капучино:75–150 ₽' 'Цена чашки капучино:80–120 ₽'
 'Цена чашки капучино:80–150 ₽' 'Цена чашки капучино:80–160 ₽'
 'Цена чашки капучино:80–175 ₽' 'Цена чашки капучино:80–240 ₽'
 'Цена чашки капучино:85–350 ₽' 'Цена чашки капучино:89–149 ₽'
 'Цена чашки капучино:89–209 ₽' 'Цена чашки капучино:89–229 ₽'
 'Цена чашки капучино:90–100 ₽' 'Цена чашки капучино:90–110 ₽'
 'Цена чашки капучино:90–130 ₽' 'Цена чашки капучино:90–140 ₽'
 'Цена чашки капучино:90–150 ₽' 'Цена чашки капучино:90–158 ₽'
 'Цена чашки капучино:90–160 ₽' 'Цена чашки капучино:90–170 ₽'
 'Цена чашки капучино:90–180 ₽' 'Цена чашки капучино:90–240 ₽'
 'Цена чашки капучино:90–250 ₽' 'Цена чашки капучино:90–98 ₽'
 'Цена чашки капучино:90–99 ₽' 'Цена чашки капучино:95 ₽'
 'Цена чашки капучино:95–159 ₽' 'Цена чашки капучино:98–150 ₽'
 'Цена чашки капучино:99–169 ₽' 'Цена чашки капучино:99–179 ₽'
 'Цена чашки капучино:99–180 ₽' 'Цена чашки капучино:99–200 ₽'
 'Цена чашки капучино:до 150 ₽' 'Цена чашки капучино:до 179 ₽'
 'Цена чашки капучино:от 100 ₽' 'Цена чашки капучино:от 110 ₽'
 'Цена чашки капучино:от 120 ₽' 'Цена чашки капучино:от 129 ₽'
 'Цена чашки капучино:от 130 ₽' 'Цена чашки капучино:от 139 ₽'
 'Цена чашки капучино:от 150 ₽' 'Цена чашки капучино:от 160 ₽'
 'Цена чашки капучино:от 169 ₽' 'Цена чашки капучино:от 170 ₽'
 'Цена чашки капучино:от 180 ₽' 'Цена чашки капучино:от 200 ₽'
 'Цена чашки капучино:от 205 ₽' 'Цена чашки капучино:от 230 ₽'
 'Цена чашки капучино:от 250 ₽' 'Цена чашки капучино:от 270 ₽'
 'Цена чашки капучино:от 300 ₽' 'Цена чашки капучино:от 60 ₽'
 'Цена чашки капучино:от 89 ₽' 'Цена чашки капучино:от 90 ₽' nan]
avg_bill : кол-во NaN 4590 , процент NaN 54.6 %
-------------------------
middle_avg_bill [0.000e+00 3.000e+01 5.000e+01 6.700e+01 9.000e+01 1.000e+02 1.070e+02
 1.100e+02 1.200e+02 1.250e+02 1.300e+02 1.350e+02 1.400e+02 1.410e+02
 1.500e+02 1.550e+02 1.600e+02 1.650e+02 1.670e+02 1.700e+02 1.750e+02
 1.800e+02 1.850e+02 1.900e+02 1.950e+02 1.990e+02 2.000e+02 2.050e+02
 2.090e+02 2.100e+02 2.150e+02 2.200e+02 2.250e+02 2.290e+02 2.300e+02
 2.350e+02 2.400e+02 2.450e+02 2.500e+02 2.550e+02 2.600e+02 2.610e+02
 2.650e+02 2.660e+02 2.690e+02 2.700e+02 2.750e+02 2.800e+02 2.840e+02
 2.850e+02 2.900e+02 2.910e+02 2.950e+02 2.980e+02 2.990e+02 3.000e+02
 3.010e+02 3.040e+02 3.050e+02 3.090e+02 3.100e+02 3.130e+02 3.150e+02
 3.170e+02 3.200e+02 3.210e+02 3.240e+02 3.250e+02 3.280e+02 3.300e+02
 3.350e+02 3.390e+02 3.400e+02 3.430e+02 3.440e+02 3.450e+02 3.490e+02
 3.500e+02 3.520e+02 3.550e+02 3.600e+02 3.620e+02 3.630e+02 3.650e+02
 3.660e+02 3.700e+02 3.720e+02 3.730e+02 3.740e+02 3.750e+02 3.820e+02
 3.830e+02 3.850e+02 3.870e+02 3.900e+02 3.910e+02 3.920e+02 3.950e+02
 3.990e+02 4.000e+02 4.020e+02 4.040e+02 4.070e+02 4.100e+02 4.110e+02
 4.120e+02 4.130e+02 4.150e+02 4.160e+02 4.200e+02 4.220e+02 4.250e+02
 4.260e+02 4.300e+02 4.320e+02 4.330e+02 4.340e+02 4.350e+02 4.380e+02
 4.390e+02 4.400e+02 4.410e+02 4.430e+02 4.450e+02 4.500e+02 4.530e+02
 4.650e+02 4.700e+02 4.720e+02 4.750e+02 4.800e+02 4.820e+02 4.900e+02
 4.950e+02 4.990e+02 5.000e+02 5.030e+02 5.080e+02 5.100e+02 5.250e+02
 5.450e+02 5.490e+02 5.500e+02 5.600e+02 5.750e+02 5.990e+02 6.000e+02
 6.200e+02 6.250e+02 6.300e+02 6.500e+02 6.600e+02 6.700e+02 6.750e+02
 6.950e+02 7.000e+02 7.250e+02 7.500e+02 7.750e+02 8.000e+02 8.250e+02
 8.500e+02 8.600e+02 8.750e+02 9.000e+02 9.100e+02 9.250e+02 9.500e+02
 9.750e+02 1.000e+03 1.025e+03 1.040e+03 1.050e+03 1.060e+03 1.075e+03
 1.090e+03 1.100e+03 1.125e+03 1.150e+03 1.175e+03 1.200e+03 1.225e+03
 1.250e+03 1.300e+03 1.325e+03 1.330e+03 1.350e+03 1.375e+03 1.400e+03
 1.450e+03 1.500e+03 1.550e+03 1.600e+03 1.650e+03 1.690e+03 1.700e+03
 1.750e+03 1.800e+03 1.850e+03 1.900e+03 2.000e+03 2.100e+03 2.150e+03
 2.200e+03 2.250e+03 2.300e+03 2.400e+03 2.500e+03 2.600e+03 2.750e+03
 2.900e+03 3.000e+03 3.200e+03 3.250e+03 3.500e+03 3.750e+03 4.000e+03
 4.250e+03 4.500e+03 4.750e+03 5.000e+03 5.250e+03 5.500e+03 6.000e+03
 6.500e+03 7.000e+03 7.250e+03 1.000e+04 1.100e+04 3.500e+04       nan]
middle_avg_bill : кол-во NaN 5257 , процент NaN 62.54 %
-------------------------
middle_coffee_cup [  60.   75.   79.   80.   84.   89.   90.   94.   95.  100.  102.  105.
  110.  112.  115.  119.  120.  124.  125.  127.  129.  130.  134.  135.
  137.  138.  139.  140.  144.  145.  149.  150.  154.  155.  159.  160.
  162.  164.  165.  167.  169.  170.  172.  174.  175.  179.  180.  184.
  185.  189.  190.  195.  197.  199.  200.  204.  205.  210.  214.  215.
  217.  220.  225.  227.  229.  230.  235.  237.  240.  242.  245.  246.
  250.  254.  255.  256.  259.  260.  265.  266.  270.  275.  279.  285.
  287.  290.  291.  295.  297.  300.  315.  320.  325.  328.  375. 1568.
   nan]
middle_coffee_cup : кол-во NaN 7871 , процент NaN 93.64 %
-------------------------
chain [0 1]
chain : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
seats [0.000e+00 1.000e+00 2.000e+00 3.000e+00 4.000e+00 5.000e+00 6.000e+00
 7.000e+00 8.000e+00 9.000e+00 1.000e+01 1.200e+01 1.300e+01 1.400e+01
 1.500e+01 1.600e+01 1.700e+01 1.800e+01 1.900e+01 2.000e+01 2.100e+01
 2.200e+01 2.400e+01 2.500e+01 2.600e+01 2.700e+01 2.800e+01 2.900e+01
 3.000e+01 3.200e+01 3.300e+01 3.400e+01 3.500e+01 3.600e+01 3.700e+01
 3.800e+01 3.900e+01 4.000e+01 4.100e+01 4.200e+01 4.300e+01 4.400e+01
 4.500e+01 4.600e+01 4.700e+01 4.800e+01 4.900e+01 5.000e+01 5.100e+01
 5.200e+01 5.300e+01 5.400e+01 5.500e+01 5.600e+01 5.800e+01 6.000e+01
 6.100e+01 6.200e+01 6.300e+01 6.400e+01 6.500e+01 6.600e+01 6.700e+01
 6.800e+01 6.900e+01 7.000e+01 7.200e+01 7.400e+01 7.500e+01 7.600e+01
 7.700e+01 7.800e+01 7.900e+01 8.000e+01 8.100e+01 8.200e+01 8.300e+01
 8.400e+01 8.500e+01 8.600e+01 8.700e+01 8.800e+01 9.000e+01 9.200e+01
 9.300e+01 9.400e+01 9.500e+01 9.600e+01 9.700e+01 9.800e+01 9.900e+01
 1.000e+02 1.020e+02 1.040e+02 1.050e+02 1.060e+02 1.070e+02 1.080e+02
 1.100e+02 1.120e+02 1.130e+02 1.140e+02 1.150e+02 1.160e+02 1.180e+02
 1.200e+02 1.220e+02 1.240e+02 1.250e+02 1.260e+02 1.270e+02 1.280e+02
 1.300e+02 1.310e+02 1.320e+02 1.330e+02 1.350e+02 1.380e+02 1.400e+02
 1.410e+02 1.430e+02 1.440e+02 1.450e+02 1.460e+02 1.470e+02 1.480e+02
 1.500e+02 1.510e+02 1.540e+02 1.550e+02 1.570e+02 1.580e+02 1.590e+02
 1.600e+02 1.610e+02 1.640e+02 1.650e+02 1.660e+02 1.670e+02 1.680e+02
 1.700e+02 1.730e+02 1.740e+02 1.750e+02 1.760e+02 1.780e+02 1.800e+02
 1.840e+02 1.850e+02 1.870e+02 1.880e+02 1.890e+02 1.900e+02 1.920e+02
 1.950e+02 1.980e+02 2.000e+02 2.020e+02 2.060e+02 2.080e+02 2.100e+02
 2.120e+02 2.140e+02 2.150e+02 2.170e+02 2.200e+02 2.250e+02 2.260e+02
 2.280e+02 2.290e+02 2.300e+02 2.320e+02 2.360e+02 2.390e+02 2.400e+02
 2.450e+02 2.460e+02 2.470e+02 2.500e+02 2.520e+02 2.660e+02 2.680e+02
 2.700e+02 2.730e+02 2.750e+02 2.760e+02 2.800e+02 2.860e+02 2.870e+02
 2.900e+02 2.950e+02 3.000e+02 3.050e+02 3.060e+02 3.070e+02 3.080e+02
 3.100e+02 3.200e+02 3.260e+02 3.300e+02 3.430e+02 3.500e+02 3.560e+02
 3.800e+02 3.980e+02 4.000e+02 4.200e+02 4.280e+02 4.300e+02 4.500e+02
 4.550e+02 4.780e+02 4.800e+02 4.810e+02 4.910e+02 4.950e+02 5.000e+02
 5.850e+02 6.000e+02 6.250e+02 6.440e+02 6.500e+02 6.600e+02 6.750e+02
 7.600e+02 9.200e+02 1.040e+03 1.200e+03 1.288e+03       nan]
seats : кол-во NaN 3611 , процент NaN 42.96 %
-------------------------
street ['1-й автозаводский проезд' '1-й балтийский переулок'
 '1-й варшавский проезд' ... 'яузская улица' 'яузский бульвар' '№ 7']
street : кол-во NaN 0 , процент NaN 0.0 %
-------------------------
is_24_7 [0 1]
is_24_7 : кол-во NaN 0 , процент NaN 0.0 %

Общие выводы по разделу:

В предоставленных данных 8406 наименований предприятий общественного питания города Москва. Полные дубликаты отсутствуют. При проверке неявных дубликатов выяснено, что по полю "название заведения" дубликатов 2792; по полю "адрес" дубликатов 2653. Выдвинем предположение, что это сетевые заведения и скопления заведений на фудкортах в торговых центрах. Предположения проверим в ходе дальнейшего анализа. Обрабатывать эти дубликаты не будем. После приведения двух столбцов к нижнему регистру по параметрам названия и адреса выявлено 4 неявных дубликата. При проверке по четырём параметрам количество неявных дубликатов сократилось до 1. Такое количество неявных дубликатов - менее 0,1% не критично для последующего анализа данных.

Мы создали в таблице 2 новых столбца: один содержит названия улицы, где находится заведение, другой - с указанием на круглосуточную работу заведения (значение 1, иначе - 0). Это понадобится для последующей работы с данными.

В данных 16 столбцов: первые пять в формате объект - название, категория, адрес, округ города, время работы и улица. Последующие 2 - широта и долгота - в формате float64. в таком же формате - столбец с рейтингом предприятия. В колонке "время работы", 6,38% пропусков, но есть ещё значение "нет информации", которое не учтено при подсчёте nan. Остальные из перечислкенных столбцов пропусков не имеют. В колонке, определяющей уровнь цен в заведении, пропусков более 60%. Последующие 3 колонки взаимосвязаны: определяющей будет avg_bill - в последующих двух наличие значения будет зависеть от категории записи в определяющей колонке. В колонке avg_bill 54,6% пропусков, в последующих двух - суммарно больше.Следует учесть, что в колонке avg_bill встречается значение: цена бокала пива, а колонки со средним значением для такой записи нет. Колонка chain пропусков не имеет. В колонке seats пропусков почти 43%. Во вновь созданных столбцах пропуски отсутствуют.

Заполнять пропуски не будем.

Форматы присутствующие в данных: float64(6), int64(2), object(8).

Часть 2. Анализ данных.

Распределение заведений по категориям.

# исследуем количество предприятий общественного питания по категориям.
msc_pl['category'].value_counts()

кафе               2378
ресторан           2043
кофейня            1413
бар,паб             765
пиццерия            633
быстрое питание     603
столовая            315
булочная            256
Name: category, dtype: int64

# построим график распределения заведений по категориям методом барплот
msc_pl_tipe = msc_pl.pivot_table(
    index='category', values='lat',  aggfunc='count').sort_values(by='lat', ascending=False)

plt.figure(figsize=(15,5))
sns.barplot(x=msc_pl_tipe.index,y=msc_pl_tipe['lat'])
plt.title("Распределение всех заведений по категориям")
plt.xlabel("Категория заведения")
plt.ylabel("Суммарное количество точек в категории")
plt.show()

Вывод. На графике видно, что лидируют такие типы заведений общественного питания, как кафе, рестораны и кофейни, пиццерии только на пятом месте.

• Больше всего в предстарленных данных заведений с типом "кафе" (2378 единиц). Попробуем разобраться, чем "кафе" отличается от "кофейни". Кофейня - это явно новый тренд. В данных заведениях определяющим стоимостную категорию заведения будет именно кружка кофе. Но проверим данное предположение на реальных данных.
• Ресторанов в Москве 2043.
• Значительно меньше в Москве пабов(баров) - всего 765.
• Примерно одинаковое количество предприятий быстрого питания и пиццерий (603 и 633). По типу основного меню они очень близки. Различия - в основном подаваемом блюде - горячий бутерброд или пицца.
• Меньше всего столовых (315) и булочных (256). Но по колличественным данным рано делать какие-либо выводы, он будут однобокими. Продолжим изучение данных.

Распределение посадочных мест.

Исследуем размеры заведений, опираясь на количество посадочных мест.

Проиллюстрируем выводы графиками.

# посчитаем перцентели по количеству посадочных мест
round(msc_pl.groupby('seats')[['category']].count().describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95, 0.99]))

	category
count	229.0
mean	21.0
std	38.0
min	1.0
5%	1.0
25%	2.0
50%	6.0
75%	22.0
95%	114.0
99%	173.0
max	253.0

# проиллюстрируем данные графиком
plt.figure(figsize=(15, 7))
sns.histplot(data=msc_pl.groupby('seats')[['category']].count(), x='category', color = "red", kde=True)
plt.title('Соотношение количества заведений и посадочных мест')
plt.xlabel('Количество посадочных мест')
plt.ylabel('Количество заведений')
plt.xlim(0,173)
plt.show()

Вывод: основная масса заведений предлагает до 50 посадочных мест, при этом заведений, в которых готовы принть до 22 гостей одновременно - абсолютное большинство (75%). Заведений, предлагающих от 50 до 80, а также от 110 до 150 посадочных мест немного больше, чем заведений,где посадочных мест от 90 до 110 и от 150 до 173. В общей сумме таких заведений менее 20%.

Посмотрим,существенна ли разница между типами заведений по количеству посадочных мест.

Признаем "выбросами" заведения с количеством мест более 173 и посмотрим на соотношение посадочных мест по типам заведений города.

# подсчитаем среднее количество посадочных мест  по категориям заведений
sorted_index= msc_pl.query('seats < 173').groupby('category')['seats'].mean().sort_values(ascending=False).reset_index().round()
sorted_index

	category	seats
0	ресторан	74.0
1	бар,паб	71.0
2	столовая	68.0
3	кофейня	65.0
4	кафе	60.0
5	быстрое питание	59.0
6	пиццерия	57.0
7	булочная	55.0

plt.figure(figsize=(15, 7))
sns.boxplot(x='seats', y='category', data=msc_pl,\
            order=["булочная", "пиццерия", "кафе", "быстрое питание", "столовая", "кофейня", "бар,паб", "ресторан"]) 
plt.xlabel('Количество посадочных мест')
plt.ylabel('Тип заведения')
plt.xlim(0, 174)
plt.grid()
plt.title('Соотношение типа объекта и количества посадочных мест')
plt.show()

Вывод. Типы заведений не очень сильно различаются по количеству посадочных мест.

• Меньше всего посадочных мест в кафе, пиццериях, булочных и, как ни странно, в быстром питании.
• Больше всего посадочных мест в ресторанах и барах-пабах.
• По количеству посадочных мест к ним стремятся кофейни. Столовые по количеству посадочных мест занимают срединное положение.

Распределение заведений на сетевые и не сетевые. Определение ТОП-15 сетей в Москве.

#определим количество несетевых и сетевых заведений
ch_gr = msc_pl.groupby('chain')['name'].count().sort_values(ascending=False).reset_index()
ch_gr

	chain	name
0	0	5201
1	1	3205

colors = sns.color_palette('coolwarm', 10)
# визуализируем доли несетевых и сетевых заведений
plt.figure(figsize = (7, 7))
plt.pie(ch_gr.name, labels=['несетевые','сетевые'], autopct='%1.1f', colors=colors)
plt.title('Доли сетевых и несетевых заведений')
plt.show()

# создадим датафрейм с отсортированными сетевыми заведениями
ch_qu = msc_pl.query('chain == 1')
#ch_qu.info()
temp = ch_qu.groupby('name')['lat'].count().reset_index()
temp['lat'].describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95, 0.99])

count    747.000000
mean       4.290495
std        8.530969
min        1.000000
5%         1.000000
25%        2.000000
50%        2.000000
75%        3.000000
95%       13.700000
99%       43.080000
max      120.000000
Name: lat, dtype: float64

# посчитаем круглосуточные заведения: всего и среди сетевых
print(msc_pl.groupby('is_24_7')['lat'].count().reset_index())
print(f' Доля круглосуточных среди всех заведений', round(1266/8406*100,2), '%')
print(ch_qu.groupby('is_24_7')['lat'].count().reset_index())
print(f' Доля круглосуточных среди сетевых заведений', round(429/3205*100,2), '%')

   is_24_7   lat
0        0  7140
1        1  1266
 Доля круглосуточных среди всех заведений 15.06 %
   is_24_7   lat
0        0  2776
1        1   429
 Доля круглосуточных среди сетевых заведений 13.39 %

# построим график распределения сетевых заведений по категориям методом барплот
ch_qu_tipe = ch_qu .pivot_table(
    index='category', values='lat',  aggfunc='count').sort_values(by='lat', ascending=False)

plt.figure(figsize=(15,5))
sns.barplot(x=ch_qu_tipe.index,y=ch_qu_tipe['lat'])
plt.title("Распределение сетевых заведений по категориям")
plt.xlabel("Категория заведения")
plt.ylabel("Суммарное количество точек в категории")
plt.show()

# Подготовим данные для отражения соотношения сетевых и не сетевых заведений.
ch_tipe = msc_pl.pivot_table(
    index='category', values='lat', columns = 'chain', aggfunc='count').reset_index()
ch_tipe['all'] = ch_tipe[0] + ch_tipe[1]
ch_tipe['perc'] = (ch_tipe[1] / ch_tipe['all']*100).round()
ch_tipe = ch_tipe.sort_values(by='all', ascending=False)
ch_tipe

chain	category	0	1	all	perc
3	кафе	1599	779	2378	33.0
6	ресторан	1313	730	2043	36.0
4	кофейня	693	720	1413	51.0
0	бар,паб	596	169	765	22.0
5	пиццерия	303	330	633	52.0
2	быстрое питание	371	232	603	38.0
7	столовая	227	88	315	28.0
1	булочная	99	157	256	61.0

# отобразим общее соотношение сетевых и несетевых заведений по категориям
f, ax = plt.subplots(figsize = (15,7))
sns.set_color_codes('pastel')
sns.barplot(x = 'all', y = 'category', data = ch_tipe,
            label = 'Всего', color = 'b', edgecolor = 'w')
sns.set_color_codes('muted')
sns.barplot(x = 1, y = 'category', data = ch_tipe,
            label = 'из них сетевых', color = 'b', edgecolor = 'w')
ax.legend(ncol = 2, loc = 'lower right')
ax.set(ylabel="Тип объекта", xlabel="Количество объектов")
sns.despine(left = True, bottom = True)
plt.show()

# построим график распределения долей сетевых заведений по категориям методом барплот
ch_tipe1 = ch_tipe.pivot_table(
    index='category', values='perc').sort_values(by='perc', ascending=False)

plt.figure(figsize=(15,5))
sns.barplot(x=ch_tipe1.index,y=ch_tipe1['perc'])
plt.title("Распределение долей сетевых относительно всех заведений по категориям")
plt.xlabel("Категория заведения")
plt.ylabel("Процент сетевых заведений")
plt.show()

Вывод. 38,1% заведений являются сетевыми (3205 единиц). До четверти сетевых заведения состоят всего из 1 торговой точки (возможно, заведения той же сети есть в других городах). Среднее количество точек в сети -4, максимальное - 120. При этом всего 1% сетевых заведений имеет более 42 точек в Москве.

Судя по графику распределения сетевых заведений по категориям - лидируют кафе, рестораны и кофейни. При этом если рассматривать долю сетевых заведений среди общего количества - в лидерах будут булочные (61%), пиццерии (52%) и кофейни. В быстром питании сетевых заведений всего 38%. Тренды меняются, и,видимо, Макдональд'C - больше не ресторан.

При сравнении доли круглосуточных заведений среди всех и среди сетевых, можно сказать что она меньше почти на 2 процента (15,06% и 13,39% соответственно.

Определим самые большие сети.

#Сгруппируем данные по названиям заведений и найдём ТОП-15 популярных сетей в Москве. 
temp_top = msc_pl[['name','category','chain']]
temp_top = temp_top[temp_top['chain'] == 1]
temp_top1 = temp_top.groupby(['name','category']).count()
temp_top1 = temp_top1.sort_values(by='chain', ascending=False).head(15).reset_index()
temp_top1

	name	category	chain
0	шоколадница	кофейня	119
1	домино'с пицца	пиццерия	76
2	додо пицца	пиццерия	74
3	one price coffee	кофейня	71
4	яндекс лавка	ресторан	69
5	cofix	кофейня	65
6	prime	ресторан	49
7	кофепорт	кофейня	42
8	кулинарная лавка братьев караваевых	кафе	39
9	теремок	ресторан	36
10	cofefest	кофейня	31
11	чайхана	кафе	26
12	буханка	булочная	25
13	drive café	кафе	24
14	кофемания	кофейня	22

# сгруппируем данные
pie_temp = temp_top1[['category','chain']]
pie_temp = pie_temp.groupby(['category']).sum('chain').reset_index()
pie_temp

	category	chain
0	булочная	25
1	кафе	89
2	кофейня	350
3	пиццерия	150
4	ресторан	154

# построим визуализацию методом pie
plt.figure(figsize = (10, 10))
plt.pie(pie_temp.chain, labels=pie_temp.category, autopct='%1.1f', colors=colors)
plt.title('Абсолютные доли сетей по категориям')
plt.show()

# визуализируем по количеству точек все ТОП-15 сетевых заведений
plt.figure(figsize=(15,5))
sns.barplot(x=temp_top1.name,y=temp_top1['chain'])
plt.title("Распределение количества точек по сетям")
plt.xlabel("Название заведения")
plt.ylabel("Суммарное количество точек в сети")
plt.xticks(rotation = 60)
plt.show()

Вывод. Почти половина самых популярных (сетевых с самым большим количеством точек) заведений в регионе (45,6%) по типу заведения являются кофейнями. Кафе (11,6%) и булочные (3,3%) по типу предлагаемого меню близки к кофейням, хотя их ассортимент более разнообразен (не только сладости и десерты).

Довольно популярны рестораны (20,1%) и пиццерии (19,5%). Самые крупные сетевые рестораны Яндекс Лавка, Prime и Теремок. Самые крупные пиццерии Домино'с Пицца и Додо Пицца.

Таким образом,среди самых популярных сетей 3 ресторана, 2 пиццерии, 3 кафе, 1 булочная - всё остальное - кофейни. Самая крупная сеть кофеен - Шоколадница. При этом география этой сети тоже весьма обширная: у нас в Краснодаре тоже есть заведения этой сети.

Заведения быстрого питания, столовые и бары,пабы отсутствуют среди самых популярных сетей.

Распределение категорий заведений по округам.

Отобразим общее количество заведений и количество заведений каждой категории по районам города.

# Подготовим данные по общему количеству заведений по округам.
dist = msc_pl.groupby(['district']).count().reset_index()
dist = dist[['district','chain']]
dist

	district	chain
0	Восточный административный округ	798
1	Западный административный округ	851
2	Северный административный округ	900
3	Северо-Восточный административный округ	891
4	Северо-Западный административный округ	409
5	Центральный административный округ	2242
6	Юго-Восточный административный округ	714
7	Юго-Западный административный округ	709
8	Южный административный округ	892

# построим график распределения общего количества заведений по округам
dist1 = dist.pivot_table(
    index='district', values='chain').sort_values(by='chain', ascending=False)

plt.figure(figsize=(15,5))
sns.barplot(x=dist1.index,y=dist1['chain'])
plt.title("Распределение общего количества заведений по округам")
plt.xlabel("Название округа")
plt.ylabel("количество заведений")
plt.xticks(rotation = 60)
plt.show()

# Детализируем данные, добавим распределение по категориям
dist2 = msc_pl.groupby(['district','category']).count().sort_values(by='chain', ascending=False).reset_index()
dist2 = dist2[['district','category','chain']]
dist3 = msc_pl.groupby(['district']).sum().sort_values(by=['chain'], ascending=False)
dist3

	lat	lng	rating	middle_avg_bill	middle_coffee_cup	chain	seats	is_24_7
district
Центральный административный округ	125002.512373	84340.559248	9814.4	1262521.0	31243.0	875	143765.0	162
Западный административный округ	47414.806680	31894.982753	3558.5	322287.0	9482.0	376	74237.0	138
Северный административный округ	50244.449819	33773.997474	3815.8	298803.0	12712.0	347	62415.0	125
Северо-Восточный административный округ	49758.597264	33522.588194	3696.1	215700.0	9920.0	334	49900.0	136
Южный административный округ	49643.753124	33585.889104	3732.5	262001.0	7260.0	312	62323.0	140
Юго-Западный административный округ	39463.239103	26617.354123	2958.6	186252.0	6422.0	302	38208.0	132
Восточный административный округ	44514.733895	30131.758912	3331.0	213363.0	7309.0	283	34784.0	172
Юго-Восточный административный округ	39765.585196	26953.408427	2928.2	126895.0	5277.0	220	28732.0	178
Северо-Западный административный округ	22827.735339	15317.104007	1721.4	129089.0	3851.0	156	25518.0	83

# отобразим категории заведений по округам на одном графике
fig = px.bar(dist2, x='district', y='chain', color='category',\
             category_orders={"district": ["Центральный административный округ", "Северный административный округ", "Южный административный округ",\
                                          "Северо-Восточный административный округ", "Западный административный округ", "Восточный административный округ",\
                                          "Юго-Восточный административный округ", "Юго-Западный административный округ", "Северо-Западный административный округ"]})
fig.show()

Вывод. Распределение заведений по типам по округам примерно одинаковое. Количество пиццерий, быстрого питания, столовых и булочных настолько незначительное, что есть соблазн определить их все в категорию "прочие". Количесатво баров, пабов значительно только в Центральном административном округе. Этот округ резко выделяется среди прочих административных округов, он - самый густонаселённый, при этом здесь 4 позиции категорий заведений по количеству представлены значительно. В остальных административных округах таких позиций 3. Выделяется также Северо-Западный административный округ с самым маленьким количеством заведений. Стоит обратить внимание на количество кофеен. В значениях на графике по этой позиции самый большой разнобой по районам города, но везде они стабильно занимают третью позицию.

Визуализация распределения средних рейтингов заведений и средних чеков заведений.

Визуализируем распределение средних рейтингов по категориям заведений.

# импортируем необходимые библиотеки
import json
from folium import Map, Choropleth
from folium import Marker, Map
from folium import Marker
import folium
from folium.plugins import MarkerCluster

# подготовим данные
avg_mean = msc_pl.groupby('district')['rating'].mean().sort_values(ascending=False)
avg_mean

district
Центральный административный округ         4.377520
Северный административный округ            4.239778
Северо-Западный административный округ     4.208802
Южный административный округ               4.184417
Западный административный округ            4.181551
Восточный административный округ           4.174185
Юго-Западный административный округ        4.172920
Северо-Восточный административный округ    4.148260
Юго-Восточный административный округ       4.101120
Name: rating, dtype: float64

# построим фоновую картограмму (хороплет) со средним рейтингом заведений каждого района
# загружаем JSON-файл с границами округов Москвы
state_geo = '/datasets/admin_level_geomap.geojson'
# moscow_lat - широта центра Москвы, moscow_lng - долгота центра Москвы
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=avg_mean,
    columns=['district', 'rating'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средний рейтинг заведений по районам',
).add_to(m)

# выводим карту
#m  # раскомментировать эту строку

<folium.features.Choropleth at 0x7f354caefc40>

Вывод. Максимально высокий средний рейтинг заведений в Центральном административном округе (4,33 - 4,38), а самый низкий (4,10)- в Юго-Восточном административном округе. На севере столицы (Северный административный округ) средний рейтинг заведений 4,24 - 4.29; в Северо-Западном административном округе - 4,19 - 4,24. В остальных округах столицы средний рейтинг заведений одинаковый - 4,15 - 4,19.

Усреднённые рейтинги в разных типах общепита различаются мало.

Исследуем медианный средний чек заведений по районам.

# подготовим данные
avg_median = msc_pl.groupby('district')['middle_avg_bill'].median().sort_values(ascending=False)
avg_median

district
Западный административный округ            1000.0
Центральный административный округ         1000.0
Северо-Западный административный округ      700.0
Северный административный округ             650.0
Юго-Западный административный округ         600.0
Восточный административный округ            575.0
Северо-Восточный административный округ     500.0
Южный административный округ                500.0
Юго-Восточный административный округ        450.0
Name: middle_avg_bill, dtype: float64

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=state_geo,
    data=avg_median,
    columns=['district', 'middle_avg_bill'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Медианный средний чек заведений по районам',
).add_to(m)

# выводим карту
#m  # раскомментировать эту строку

<folium.features.Choropleth at 0x7f354166b130>

Вывод. Средний чек в Западном и Центральном округах достигает 1000 рублей. По мереудалённости от центра в сторону северо-запада он снижается до 700-650 рублей, а при удалении от центра в южную и восточную стороны - до 600 - 450 рублей. При удалении от центра города цены снижаются существенно.

Определение ТОП-15 улиц по количеству заведений.

Найдём ТОП-15 улиц по количеству заведений.

# нанесём маркеры всех заведений общепита Москвы на карту города
#moscow_lat - широта, moscow_lng – долгота
moscow_lat, moscow_lng = 55.751244, 37.618423

# создаём карту Москвы
#m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
m = folium.Map(location=[moscow_lat, moscow_lng], zoom_start=16)

# создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)

# пишем функцию, которая принимает строку датафрейма,
# создаёт маркер в текущей точке и добавляет его в кластер marker_cluster
def create_clusters(row):
    Marker(
        [row['lat'], row['lng']],
        popup=f"{row['name']} {row['rating']}",
    ).add_to(marker_cluster)

# применяем функцию create_clusters() к каждой строке датафрейма
msc_pl.apply(create_clusters, axis=1)

# выводим карту
m

Make this Notebook Trusted to load map: File -> Trust Notebook

#определим 15 улиц, где больше всего заведений
street_top = msc_pl[['name','district','street']]
street_top1 = street_top.groupby(['street','district']).count()
street_top1 = street_top1.sort_values(by='name', ascending=False).head(16).reset_index()
street_top1

	street	district	name
0	проспект мира	Северо-Восточный административный округ	132
1	профсоюзная улица	Юго-Западный административный округ	122
2	проспект вернадского	Западный административный округ	95
3	ленинградский проспект	Северный административный округ	95
4	каширское шоссе	Южный административный округ	77
5	варшавское шоссе	Южный административный округ	76
6	ленинградское шоссе	Северный административный округ	70
7	ленинский проспект	Юго-Западный административный округ	66
8	дмитровское шоссе	Северный административный округ	65
9	люблинская улица	Юго-Восточный административный округ	60
10	кутузовский проспект	Западный административный округ	54
11	проспект мира	Центральный административный округ	52
12	улица миклухо-маклая	Юго-Западный административный округ	49
13	пятницкая улица	Центральный административный округ	48
14	алтуфьевское шоссе	Северо-Восточный административный округ	47
15	измайловское шоссе	Восточный административный округ	44

# отобразим на графике количество заведений на топ-15 улицах столицы
fig = px.bar(street_top1, x='street', y='name', color='district')
fig.show()

# посчитаем круглосуточные заведения на самых популярных улицах города
ch_qu.groupby('is_24_7')['lat'].count().reset_index()
print(f' Доля круглосуточных среди заведений ТОП-15 улиц', round(429/3205*100,2), '%')

 Доля круглосуточных среди заведений ТОП-15 улиц 13.39 %

# отсортируем данные по ТОП-15 улицам города 
street_top2 = msc_pl.query('street in @street_top1.street')
#street_top2

# отобразим маркеры заведений по округам на карте города
# применяем функцию для создания маркера к ТОП-15 улицам столицы
#street_top2.apply(create_marker, axis=1)
    
    
# выводим карту
#m

# посмотрим, какого размера заведения на самых популярных улицах Москвы
street_top2['seats'].describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95, 0.99])

count     795.000000
mean      163.355975
std       200.790705
min         0.000000
5%         18.000000
25%        50.000000
50%        98.000000
75%       190.000000
95%       625.000000
99%      1288.000000
max      1288.000000
Name: seats, dtype: float64

# посчитаем медианное количество посадочных мест по заведениям на самых популярных улицах 
street_top2.groupby('street')['seats'].median().sort_values(ascending=False)

street
проспект мира             200.0
пятницкая улица           150.0
алтуфьевское шоссе        120.0
дмитровское шоссе         120.0
каширское шоссе           110.0
проспект вернадского      100.0
варшавское шоссе           98.0
ленинградский проспект     98.0
ленинградское шоссе        96.0
ленинский проспект         96.0
кутузовский проспект       92.0
профсоюзная улица          86.0
улица миклухо-маклая       65.0
люблинская улица           58.0
измайловское шоссе         55.0
Name: seats, dtype: float64

#проиллюстрируем выводы графиком
plt.figure(figsize=(20, 15))
sns.boxplot(x='seats', y='street', data=street_top2) 
plt.xlabel('Количество посадочных мест')
plt.ylabel('')
plt.xlim(0, 625)
plt.grid()
plt.title('Взаимосвязь размеров объектов и их расположения для топ-15 улиц')
plt.show()

# подготовим данные лоя визуализации соотношения категорий заведений на самых популярных улицах города
street_top_ct = street_top2.groupby(['street','category']).count().sort_values(by='name', ascending=False).reset_index()
street_top_ct = street_top_ct[['street','category','name']]
street_top_ct.head()

	street	category	name
0	проспект мира	кафе	53
1	проспект мира	ресторан	45
2	проспект мира	кофейня	36
3	профсоюзная улица	кафе	35
4	ленинский проспект	ресторан	33

# отобразим на графике категории заведений на топ-15 улицах столицы
fig = px.bar(street_top_ct, x='street', y='name', color='category', category_orders={"street": ["проспект мира", "профсоюзная улица", "проспект вернадского",\
                                          "ленинский проспект", "ленинградский проспект", "дмитровское шоссе",\
                                          "каширское шоссе", "варшавское шоссе", "ленинградское шоссе",\
                                          "люблинская улица", "кутузовский проспект", "улица миклухо-маклая",\
                                          "пятницкая улица", "алтуфьевское шоссе", "измайловское шоссе"]})
fig.show()

# подготовим данные лоя визуализации соотношения категорий заведений на самых популярных улицах города
street_top2 = msc_pl.groupby(['street','category']).count().sort_values(by='chain', ascending=False).reset_index()
street_top2 = street_top2[['street','category','chain']]
street_top2 = msc_pl.groupby(['street']).sum().sort_values(by=['chain'], ascending=False)
street_top2.head(15)

	lat	lng	rating	middle_avg_bill	middle_coffee_cup	chain	seats	is_24_7
street
проспект мира	10270.352185	6925.505825	758.2	60266.0	1691.0	70	15926.0	12
проспект вернадского	6012.367801	4049.440312	455.7	44921.0	755.0	58	21019.0	13
профсоюзная улица	6789.724556	4579.647772	511.3	32198.0	971.0	55	9791.0	20
каширское шоссе	4284.529404	2900.688292	319.0	55592.0	654.0	44	7685.0	12
дмитровское шоссе	4917.047965	3304.430514	365.5	41970.0	972.0	40	9669.0	10
ленинский проспект	5958.032294	4016.569409	450.7	39790.0	2019.0	38	10800.0	15
ленинградский проспект	5300.727315	3566.039190	408.0	53815.0	2063.0	37	19067.0	10
ленинградское шоссе	3908.328329	2624.092425	291.9	38247.0	390.0	31	5005.0	8
мкад	3619.584546	2449.977290	267.9	4855.0	0.0	29	0.0	28
варшавское шоссе	4227.668529	2858.393872	319.0	17471.0	831.0	27	4954.0	12
ярцевская улица	2118.113846	1421.710026	162.4	13590.0	860.0	26	7328.0	4
новоясеневский проспект	2280.104305	1538.428701	149.0	2603.0	304.0	25	2370.0	8
пятницкая улица	2675.471372	1806.136339	214.2	25690.0	225.0	24	5356.0	3
улица вавилова	3063.153753	2066.272287	234.2	13325.0	480.0	24	6715.0	5
кутузовский проспект	3009.941089	2026.281451	233.7	44225.0	1206.0	23	3398.0	9

Вывод.

При определении ТОП-15 улиц по количеству заведений общепита мы вывели 16 позиций, поскольку Проспект Мира проходит через 2 административных округа: Северо-Восточный и Центральный.

• Детально рассмотреть местополохение всех заведений Москвы и заведений на ТОП-15 улицах Москвы можно, запустив карту с маркерами заведений (раскомментировать код).
• Доля круглосуточных заведений среди заведений на ТОП-15 улицах -13,39%.
• На ТОП-15 улмицах столицы находятся довольно крупные заведения: медианное количество посадочных мест - 200 на проспекте Мира, 150 - на Пятницкой улице.Самое маленькое количество посадочных мест - 55 - на Измайловском шоссе.
• График количества заведений на ТОП-15 улиц по категориям показывает явное преимущество по трём типам заведений (как и в целом по городу). Пиццерии на этих улицах более многочисленны, категории булочная, быстрое питание и столовая так же малочисленны, как и в целом по городу. Для категорий бар,паб и кофейня - все очень неоднозначно: на проспекте Мира, Ленинском и Лениградском проспектах их значительно больше, чем в целом по городу.

Определение улиц с единственным заведением.

Исследуем улицы, на которых находится только один объект общепита.

street_1 = msc_pl.groupby('street')['name'].count().sort_values(ascending=True).reset_index().query('name == 1')
street_1 = msc_pl.query('street in @street_1.street')
street_1.head()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
15	дом обеда	столовая	москва, улица бусиновская горка, 2	Северный административный округ	пн-пт 08:30–18:30; сб 10:00–20:00	55.885890	37.493264	4.1	средние	Средний счёт:300–500 ₽	400.0	NaN	0	180.0	улица бусиновская горка	0
21	7/12	кафе	москва, прибрежный проезд, 7	Северный административный округ	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	NaN	NaN	NaN	NaN	0	NaN	прибрежный проезд	0
25	в парке вкуснее	кофейня	москва, парк левобережный	Северный административный округ	ежедневно, 10:00–21:00	55.878453	37.460028	4.3	NaN	NaN	NaN	NaN	1	NaN	парк левобережный	0
58	coffeekaldi's	кофейня	москва, угличская улица, 13, стр. 8	Северо-Восточный административный округ	ежедневно, 09:00–22:00	55.900316	37.570558	4.1	средние	Средний счёт:500–800 ₽	650.0	NaN	1	NaN	угличская улица	0
60	чебуречная история	кофейня	москва, ландшафтный заказник лианозовский	Северо-Восточный административный округ	ежедневно, 10:00–22:00	55.899845	37.570488	4.9	NaN	NaN	NaN	NaN	1	NaN	ландшафтный заказник лианозовский	0

# сгруппируем улицы по округам
district_1 = street_1.groupby('district')['street'].count().sort_values(ascending=False)
print(district_1.sum())
district_1

457

district
Центральный административный округ         145
Северо-Восточный административный округ     55
Восточный административный округ            52
Северный административный округ             51
Южный административный округ                43
Юго-Восточный административный округ        39
Западный административный округ             35
Северо-Западный административный округ      19
Юго-Западный административный округ         18
Name: street, dtype: int64

# отображаем эти единичные заведения на карте
# применяем функцию для создания маркера к ТОП-15 улицам столицы
#street_1.apply(create_marker, axis=1)
    
    
# выводим карту
#m

# посмотрим, какого размера заведения на улицах Москвы, где только 1 заведение
street_1['seats'].describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95, 0.99])

count    156.000000
mean      59.115385
std       48.274880
min        0.000000
5%         5.750000
25%       30.000000
50%       45.000000
75%       80.000000
95%      158.250000
99%      229.000000
max      240.000000
Name: seats, dtype: float64

# сгруппируем единственные на улице заведения по категориям 
category_1 = street_1.groupby('category')['street'].count().sort_values(ascending=False)
print(category_1)
print()
is_= street_1.groupby('is_24_7')['street'].count().sort_values(ascending=False)
print(is_)
print()
print(f' Доля круглосуточных среди единственных на улице заведений', round(58/458*100,2), '%')

category
кафе               159
ресторан            93
кофейня             84
бар,паб             39
столовая            36
быстрое питание     23
пиццерия            15
булочная             8
Name: street, dtype: int64

is_24_7
0    399
1     58
Name: street, dtype: int64

 Доля круглосуточных среди единственных на улице заведений 12.66 %

Вывод: Всего улиц с единственным заведением в столице - 458. Больше всего таких улиц в Центральном административном округе (145), меньше всего - в Юго-Западном административном округе (18).

Детально рассмотреть расположение этих улиц и заведений на них можно на карте с маркерами (раскомментировать код).

Средние размеры этих заведений - 60 посадочных мест, не имеют посадочныхмест до 5% заведений.

Среди категорий заведений преобладают кафе, рестиораны и кофейни. Меньше всего пиццерий и булочных.

Доля круглосуточных заведений 12,66%.

Общие выводы по разделу.

• При анализе распределения заведений по типам мы установили, что лидируют такие типы заведений общественного питания, как кафе, рестораны и кофейни, пиццерии только на пятом месте. Меньше всего столовых и булочных.

• Основная масса заведений предлагает до 50 посадочных мест, при этом заведений, в которых готовы принть до 22 гостей одновременно - абсолютное большинство (75%).

• Типы заведений не очень сильно различаются по количеству посадочных мест. Меньше всего посадочных мест в кафе, пиццериях, булочных и, как ни странно, в быстром питании. Больше всего посадочных мест в ресторанах и барах-пабах.По количеству посадочных мест к ним стремятся кофейни. Столовые по количеству посадочных мест занимают срединное положение.

• 38,1% заведений являются сетевыми (3205 единиц). До четверти сетевых заведения состоят всего из 1 торговой точки (возможно, заведения той же сети есть в других городах). Среднее количество точек в сети -4, максимальное - 120. При этом всего 1% сетевых заведений имеет более 42 точек в Москве.

• Доля круглосуточных заведений среди всех и среди сетевых различается почти на 2 процента (15,06% и 13,39% соответственно.)Такая же доля круглосуточных заведений (13,39%) на ТОП-15 улицах Москвы Доля круглосуточных заведений среди единственных на улице - 12,66%.

• Почти половина самых популярных (сетевых с самым большим количеством точек) заведений в регионе (45,6%) по типу заведения являются кофейнями. Самая крупная сеть кофеен - Шоколадница. При этом география этой сети тоже весьма обширная: у нас в Краснодаре тоже есть заведения этой сети. Довольно популярны рестораны (20,1%) и пиццерии (19,5%). Самые крупные сетевые рестораны Яндекс Лавка, Prime и Теремок. Самые крупные пиццерии Домино'с Пицца и Додо Пицца. Сетевые пиццерии тоже имеют общирную географию.

• Заведения быстрого питания, столовые и бары,пабы отсутствуют среди самых популярных сетей.

• Распределение заведений по типам по округам примерно одинаковое. Количество пиццерий, быстрого питания, столовых и булочных настолько незначительное, что есть соблазн определить их все в категорию "прочие". Количесатво баров, пабов значительно только в Центральном административном округе. Этот округ резко выделяется среди прочих административных округов, он - самый густонаселённый, при этом здесь 4 позиции категорий заведений по количеству представлены значительно. В остальных административных округах таких позиций 3. Выделяется также Северо-Западный административный округ с самым маленьким количеством заведений. Стоит обратить внимание на количество кофеен. В значениях на графике по этой позиции самый большой разнобой по районам города, но везде они стабильно занимают третью позицию.

• Максимально высокий средний рейтинг заведений в Центральном административном округе (4,33 - 4,38), а самый низкий (4,10)- в Юго-Восточном административном округе. На севере столицы (Северный административный округ) средний рейтинг заведений 4,24 - 4.29; в Северо-Западном административном округе - 4,19 - 4,24. В остальных округах столицы средний рейтинг заведений одинаковый - 4,15 - 4,19.

• Усреднённые рейтинги в разных типах общепита различаются мало.

• Средний чек в Западном и Центральном округах достигает 1000 рублей. По мереудалённости от центра в сторону северо-запада он снижается до 700-650 рублей, а при удалении от центра в южную и восточную стороны - до 600 - 450 рублей. При удалении от центра города цены снижаются существенно.

• На ТОП-15 улмицах столицы находятся довольно крупные заведения: медианное количество посадочных мест - 200 на проспекте Мира, 150 - на Пятницкой улице.Самое маленькое количество посадочных мест - 55 - на Измайловском шоссе.

• График количества заведений на ТОП-15 улиц по категориям показывает явное преимущество по трём типам заведений (как и в целом по городу). Пиццерии на этих улицах более многочисленны, категории булочная, быстрое питание и столовая так же малочисленны, как и в целом по городу. Для категорий бар,паб и кофейня - все очень неоднозначно: на проспекте Мира, Ленинском и Лениградском проспектах их значительно больше, чем в целом по городу.

• Средние размеры единственных на улице заведений - 60 посадочных мест, не имеют посадочныхмест до 5% заведений. Среди категорий заведений преобладают кафе, рестиораны и кофейни. Меньше всего пиццерий и булочных.

Часть 3. Детализация исследования под конкретную задачу - открытие кофейни.

Детализируем исследование: открытие кофейни. Определим:

• Количество кофеен в данных;
• Режим работы кофеен;
• Распределение их по районам;
• Рейтинг и стоимость чашки кавучино.

Сднлпем общие выводы.

msc_pl.head()

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats	street	is_24_7
0	wowфли	кафе	москва, улица дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	0	NaN	улица дыбенко	0
1	четыре комнаты	ресторан	москва, улица дыбенко, 36, корп. 1	Северный административный округ	ежедневно, 10:00–22:00	55.875801	37.484479	4.5	выше среднего	Средний счёт:1500–1600 ₽	1550.0	NaN	0	4.0	улица дыбенко	0
2	хазри	кафе	москва, клязьминская улица, 15	Северный административный округ	пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00...	55.889146	37.525901	4.6	средние	Средний счёт:от 1000 ₽	1000.0	NaN	0	45.0	клязьминская улица	0
3	dormouse coffee shop	кофейня	москва, улица маршала федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	0	NaN	улица маршала федоренко	0
4	иль марко	пиццерия	москва, правобережная улица, 1б	Северный административный округ	ежедневно, 10:00–22:00	55.881166	37.449357	5.0	средние	Средний счёт:400–600 ₽	500.0	NaN	1	148.0	правобережная улица	0

Количество кофеен в данных.

# создадим датафрейм с отсортированными кофейнями
coffee_house = msc_pl.query('category == "кофейня"')
coffee_house.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1413 entries, 3 to 8400
Data columns (total 16 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               1413 non-null   object 
 1   category           1413 non-null   object 
 2   address            1413 non-null   object 
 3   district           1413 non-null   object 
 4   hours              1398 non-null   object 
 5   lat                1413 non-null   float64
 6   lng                1413 non-null   float64
 7   rating             1413 non-null   float64
 8   price              476 non-null    object 
 9   avg_bill           721 non-null    object 
 10  middle_avg_bill    200 non-null    float64
 11  middle_coffee_cup  521 non-null    float64
 12  chain              1413 non-null   int64  
 13  seats              751 non-null    float64
 14  street             1413 non-null   object 
 15  is_24_7            1413 non-null   int64  
dtypes: float64(6), int64(2), object(8)
memory usage: 187.7+ KB

Распределение кофеен по округам.

# сгруппируем кофейни по округам
distr_с = coffee_house.groupby('district')['category'].count().sort_values(ascending=False)
display(distr_с.sum())
distr_с

1413

district
Центральный административный округ         428
Северный административный округ            193
Северо-Восточный административный округ    159
Западный административный округ            150
Южный административный округ               131
Восточный административный округ           105
Юго-Западный административный округ         96
Юго-Восточный административный округ        89
Северо-Западный административный округ      62
Name: category, dtype: int64

# построим график распределения кофеен по округам
coffee_house0 = coffee_house.pivot_table(
    index='district', values='chain', aggfunc={"chain": len}).sort_values(by='chain',ascending=False)


plt.figure(figsize=(15,5))
sns.barplot(x=coffee_house0.index,y=coffee_house0['chain'])
plt.title("Распределение заведений по топ-15 улицам столицы")
plt.xlabel("Название улицы")
plt.ylabel("количество заведений")
plt.xticks(rotation = 60)
plt.show()

Режим работы кофеен.

# определим количество и долю круглосуточных кофеен всего по городу
is_1= coffee_house.groupby('is_24_7')['street'].count().sort_values(ascending=False)
print(is_1)
print()
print(f' Доля круглосуточных среди кофеен', round(74/1413*100,2), '%')

is_24_7
0    1339
1      74
Name: street, dtype: int64

 Доля круглосуточных среди кофеен 5.24 %

Рейтинг кофеен и стоимость чашки капуччино.

# подготовим данные
c_hr = round(coffee_house.groupby('district')['rating'].mean().sort_values(ascending=False),2)
c_hr

district
Центральный административный округ         4.34
Северо-Западный административный округ     4.33
Северный административный округ            4.29
Юго-Западный административный округ        4.28
Восточный административный округ           4.28
Южный административный округ               4.23
Юго-Восточный административный округ       4.23
Северо-Восточный административный округ    4.22
Западный административный округ            4.20
Name: rating, dtype: float64

# визуализируем распределение рейтингов кофеен по округам города
coffee_house1 = coffee_house.pivot_table(
    index='district', values='rating', aggfunc='mean').sort_values(by='rating',ascending=False)

plt.figure(figsize=(15,5))
sns.barplot(x=coffee_house.district,y=coffee_house['rating'],\
            order=["Центральный административный округ", "Северо-Западный административный округ", "Северный административный округ",\
                   "Юго-Западный административный округ", "Восточный административный округ", "Южный административный округ",\
                   "Юго-Восточный административный округ","Северо-Восточный административный округ","Западный административный округ"])
plt.title("Распределение рейтингов кофеен по округам")
plt.xlabel("Название округа")
plt.ylabel("рейтинг")
plt.xticks(rotation = 60)
plt.show()

# Посмотрим, какие у кофеен рейтинги в целом по городу 
coffee_house['rating'].describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95, 0.99])

count    1413.000000
mean        4.277282
std         0.372250
min         1.400000
5%          3.700000
25%         4.100000
50%         4.300000
75%         4.400000
95%         4.900000
99%         5.000000
max         5.000000
Name: rating, dtype: float64

Рейтинг кофеен по округам города применрно равный. Разброс значений рейтинга присутсвует, но он небольшой. Заметен он в Северо-Западном и Юго-Восточном округах.

# посмотрим, как распределяется стоимостьчашки капучино по кофейням
coffee_house['middle_coffee_cup'].describe(percentiles=[0.05, 0.25, 0.5, 0.75, 0.95, 0.99])

count     521.000000
mean      175.055662
std        89.753009
min        60.000000
5%         60.000000
25%       124.000000
50%       170.000000
75%       225.000000
95%       275.000000
99%       312.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64

# подготовим данные
mcc_mean = coffee_house.groupby('district')['middle_coffee_cup'].mean().sort_values(ascending=False)
mcc_mean

district
Западный административный округ            189.938776
Центральный административный округ         187.518519
Юго-Западный административный округ        184.176471
Восточный административный округ           174.023810
Северный административный округ            165.789474
Северо-Западный административный округ     165.523810
Северо-Восточный административный округ    165.333333
Южный административный округ               158.488372
Юго-Восточный административный округ       151.088235
Name: middle_coffee_cup, dtype: float64

# создаём хороплет с помощью конструктора Choropleth и добавляем его на карту

Choropleth(
    geo_data=state_geo,
    data=mcc_mean,
    columns=['district', 'middle_coffee_cup'],
    key_on='feature.name',
    fill_color='YlGn',
    fill_opacity=0.8,
    legend_name='Средняя стоимость чашки кофе по районам',
).add_to(m)

# выводим карту
#m  # раскомментировать эту строку

<folium.features.Choropleth at 0x7f3559bb6d00>

Вывод Такким образом, самый дорогой кофе у нас на западе, юго-западе и в центре столицы.

# Найдём популярные сети кофеен в Москве. 
temp_ch = coffee_house[['name','category','chain']]
temp_ch = temp_ch[temp_ch['chain'] == 1]
temp_ch1 = temp_ch.groupby(['name','category']).count()
temp_ch1 = temp_ch1.sort_values(by='chain', ascending=False).head(20).reset_index()
temp_ch1

	name	category	chain
0	шоколадница	кофейня	119
1	one price coffee	кофейня	71
2	cofix	кофейня	65
3	кофепорт	кофейня	42
4	cofefest	кофейня	31
5	кофемания	кофейня	22
6	cinnabon	кофейня	20
7	правда кофе	кофейня	13
8	krispy kreme	кофейня	9
9	coffeekaldi's	кофейня	8
10	даблби	кофейня	8
11	udcкафе	кофейня	8
12	wild bean cafe	кофейня	8
13	9 bar coffee	кофейня	7
14	take and wake	кофейня	6
15	буханка	кофейня	6
16	эль кафе	кофейня	6
17	wild bean	кофейня	5
18	bodrero	кофейня	4
19	кофе хауз	кофейня	4

#построим график количества точек популярных сетей кофеен
fig = px.bar(temp_ch1, x='chain', y='name', color='category')
fig.show()

Общие выводы по разделу.

• Всего в данных 1413 кофеен.
• Больше всего кофеен в Центральном административном округе (428),меньше всего - в Северо- Западном (62). Детально рассмотреть расположение кофеен можно на интерактивном графике.
• Доля круглосуточных заведений среди кофеен очень маленькая - 5,24%.
• Медианный рейтинг кофеен 4,3. По округам рейтинг различается не существенно. "Планка" категории заведений высока.
• Самые популярные сети кофеен в Москве - "Шоколадница", "One Price Coffee", "Cofix".
• При открытии стоит ориентироваться на стоимость чашки капуччинов 175 рублей (среднее значение по кофейням). Самый дорогой кофе на западе, юго-западе и в центре столицы.

Часть 4. Общие выводы по проекту и презентация для инвесторов.

Общие выводы.

Задача: Основателям фонда «Shut Up and Take My Money» не даёт покоя успех сериала «Друзья». Их мечта — открыть такую же крутую и доступную, как «Central Perk», кофейню в Москве. Будем считать, что заказчики не боятся конкуренции в этой сфере, ведь кофеен в больших городах уже достаточно. Попробуйте определить, осуществима ли мечта клиентов.

Выводы: Мечта заказчиков осуществима хотя бы по правилу трёх "Н" - Нет Ничего Невозможного.

Опираясь на результаты исследования - считаю,что изобретать что-то принципиально новое будет очень затратно, в том числе, в плане времени. Тем более, что интерес заказчика в определённом направлении выражен конкретно. Инвесторы не одиноки в интересе к сериалу "Друзья" и месту действия - кофейне. Данная идея уже нашла своё воплощение.

Рекомендация:

• выкупить у франчайзора небольшой сети кофеен "ФРЕНДС" сеть полностью с правом продажи франшизы
• или купить франшизу и организовать одну-несколько точек в Москве (возможно, в других городах) уже существующей сетевой тематической кофейни "ФРЕНДС". (На сегодняшний день в сети уже жействуют 3 кофейни в Москве (в Центральном, и Восточном административных округах) и 2 в Санкт-Петербурге. Информация с сайта https://friendsmsk.ru/)

Вариант рекомендации Создать свою альтернативную сеть кофеен по мотивам популярного сереала в количестве не менее 3-х точек в Центральном, Западном и Юго-Западном округах.

Презентация для инвесторов.

презентация для инвесторов здесь: